Presentation

Le travail qui suit s’appuie sur cinq fichiers issus du projet SnpNet :
- strain.csv : nom des lignées utilisées et informe si elles sont contrôles ou non.
- individual.csv : informations de chaque drosophile : name, id, date, age, sex, user, strain_number.
- phenotype_data.csv : données phénotypiques obtenues à partir d’un logiciel et de films des coeurs disséqués.
- phenotype_data.csv_control_nooutliers.csv : même fichier que phenotype_data.csv, à ce près que les individus considérés comme outliers ont été retirés.
- phenotype_data.csv_date_correction.csv : correction journalière déduite des contrôles à appliquer aux données phénotypiques (à voir si on l’utilisera).

Construction d’un dataframe complet pour les analyses

Le contenu de presque tous les fichiers cités au-dessus a été compilé pour donner un dataframe au format long le plus complet possible quant aux drosophiles étudiées et aux valeurs recueillies. Le fichier phenotype_data.csv n’est pas concerné car on choisit de travailler avec les données sans outliers. Le fichier est stocké sous l’intitulé 01_DATA_raw. Nous ne nous intéressons pas aux données des drosophiles w1118 qui sont les contrôles, on recueille donc uniquement les lignées DGRP dans le fichier 02_DATA_dgrp

Le barplot ci-dessous représente le nombre d’individus par lignée et par âge.

Reproductions

Quelques lignées ont été répliquées. Excepté pour les lignées wild type, seul un des réplicat sera conservé : celui avec le plus grand nombre d’individus, et dans un cas d’égalité, celui dont la date d’expérimentation sera la plus proche de celle du deuxième âge étudié. Un dataframe “DATA_QC” est créé et les lignées qui ne seront finalement pas analysées sont indiquées par “dup” dans la colonne “QC”.

Le graphique ci-dessous montre les différents réplicats dans le lot d’individus étudiés, on peut voir qu’il s’agit exclusivement de duplicats. Le second barplot montre la nouvelle allure des individus par lignées lorsque les duplicats sont retirés.

## Chosen by date : dgrp310 dgrp317 dgrp405 dgrp406 dgrp850

Nombre de drosophiles suffisant

Pour chacun des phénotypes, seulement les lignées contenant plus de 8 drosophiles à chaque âge sont analysées. Si un phénotype n’a plus un nombre suffisant de lignées, il n’est pas analysé.
Le problème est que certaines lignées n’ont pas assez de drosophiles peu importe le phénotype (lignées en dessous de la ligne pointillée sur le graphique précédent). Ces lignées sont indiquées par “under” dans la colonne “QC2” de “DATA_QC”. Ce dataframe est visible dans le fichier exporté 03_DATA_FilterStrains.

## Strains with less than 8 drosophiles : dgrp818 dgrp859 dgrp409 dgrp42 dgrp911

Six lignées ont été retirées. Les données sont réorganisées pour obtenir des graphiques sans “trous”. En effet, ce même barplot sera présent au début de l’analyse de chaque phénotype, ce qui facilitera l’observation des lignées retirées pour chacun des phénotypes.

Voici la distribution des individus par lignées et par âge pour les 163 lignées restantes après retrait des individus “dup” et “under”. Ces données sont regroupées dans un nouveau dataframe qui sera la base de nos analyse : “DATA_Analysis” (visibles dans le fichier 04_DATA_Analysis).

Distribution des individus par phénotype

La distribution des individus par phénotype et par âge aide à visualiser quelles données ont été les plus dures à obtenir. Certaines jugées incorrectes (dues à une erreur technique par exemple) au premier regard ont été supprimées du fichier phenotype_data.csv dans une étude préalable.

On voit que le phénotype Pcent_DI_sup3 n’est plus représenté par aucun individu. Etant donné le faible nombre d’invididus pour certaines lignées, telle que Pcent_Long_DI, il serait statistiquement faux de les analyser.

Analyses

Les données de “DATA_Analysis” sont fractionnées selon chacun des phénotypes. A nouveau, nous ne souhaitons garder que les lignées ayant un minimum de 8 drosophiles à chaque âge. Un nouveau dataframe est créé pour chaque phénotype, nommé “DATA_Nomphénotype”, contenant les données après filtre des lignées. Les phénotypes avec moins de 80% des lignées restantes ne sont pas analysés.

Dans le cadre de l’analyse des données, nous utiliserons la mediane qui a l’avantage de ne pas être influencee par des valeurs extremes comme nous en rencontreront. Pour l’étude de la variance au sein d’une lignée, la mad (mediane absolute deviation) est utilisée. La mad est à la médiane ce que le sd est à la moyenne, elle donne donc une information sur la dispersion des données. De manière plus concrête, voici comment elle est calculée :
1. La médiane d’un ensemble de données est déterminée : \(m\).
2. La différence de la valeur de chaque individu avec la médiane est ensuite calculée : \(xi-m\).
3. On prend la valeur absolue des différences et on détermine leur médiane : \(MED([ |xi-m| ]_{i=1:n})\).
Cette dernière valeur est la mad. En toute logique, elle a le même avantage que la médiane de ne pas tenir compte des valeurs extrêmes.

La simple différence de la médiane et de la mad aux âges 4 et 1 ne prennent pas en compte l’importance de l’évolution, c’est à dire le pourcentage de variation du phénotype. Deux indicateurs ont donc été mis en place : - l’indicateur de moyenne \(I_m\) : la différence médiane4 - médiane1 est divisée par la médiane1 \(I_m = (med_4-med_1)/med_1\).
- l’indicateur de variation \(I_v\) : le coefficient de variation est la division de l’écart-type par la moyenne. On a un équivalent basé sur les rangs en faisant la division de la mad par la médiane. Ici, on a donc \(CV_r = mad / med\). Comme pour la mediane, on va prendre en compte la différence des coefficients de variation à l’âge4 et à l’âge1, puis on divise par le coefficient de variation à l’âge1, c’est à dire \(I_v = (CV_r4-CV_r1)/CV_r1\) .

DI_on_Hp_Mean



Ci-dessous est affiché le barplot des lignées restantes après le second filtre. Il reste 100 % des lignées de DATA_Analysis.

Les boxplots suivants sont les valeurs du phénotype étudié pour les individus de chaque lignée, ces dernières étant ordonnées selon leur médiane. Le premier graphique est pour l’âge 1, le second pour l’âge 4.

Les valeurs phénotypiques de tous les individus sont maintenant organisées en fonction des âges, sans un regard à la lignée, afin de voir si on a une tendance générale.

Un premier test de Wilcoxon est appliquée à ces données. Si la p-valeur est inférieure à 0.05, cela signifie que les deux populations (age1, age4) ont des moyennes significativement différentes et ne suivent donc pas une même distribution. Wilcoxon rank sum test with continuity correction

data: value by age W = 1526700, p-value = 3.125e-05 alternative hypothesis: true location shift is not equal to 0


INDICATEUR DE MOYENNE


Ici, on ne travaille plus avec les individus mais avec les lignées. Les médianes des lignées pour les deux âges ont été calculées et mises sous forme d’un boxplot comparable avec le précédent, il nous permet de voir la tendance générale ainsi que les lignées ayant un comportement extrême, qui ont été labellisées.

Le test de Wilcoxon a maintenant été appliqué aux médianes des lignées pour l’âge 1 et l’âge. On a pu faire dans ce cas-ci un test paired. Wilcoxon signed rank test with continuity correction

data: median by age V = 4942, p-value = 0.005531 alternative hypothesis: true location shift is not equal to 0


Les graphiques suivants sont issus des indicateurs de moyenne \(I_m = (med4-med1)/med1\), et représentent les mêmes données sous des formes différentes. Les lignées du graphique de droite ont été ordonnées suivant cette différence.

La normalité de la distribution de l’indicateur de moyenne est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmedian$diff W = 0.9666, p-value = 0.0005974


Les graphiques suivants sont semblables aux précédents, les données ‘extrêmes’ ont toutefois été enlevées afin de voir si cela améliorait la normalité de la distribution des données.

La normalité de la distribution de l’indicateur de moyenne (sans extrêmes) est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmedian_no_outliers$diff W = 0.98763, p-value = 0.1699


Ci-dessous, on voit la correlation entre l’âge 1 et l’âge 4 pour la médiane.

Coefficient de correlation de Spearman pour la médiane. Spearman’s rank correlation rho

data: dfmedian\(median1 and dfmedian\)median4 S = 375710, p-value = 4.251e-10 alternative hypothesis: true rho is not equal to 0 sample estimates: rho 0.4697535


INDICATEUR DE VARIATION


De même que pour la médiane, on ne travaille plus avec les individus mais avec les lignées. Les mad des lignées pour les deux âges ont été calculées et mises sous forme d’un boxplot comparable avec le précédent, il nous permet de voir la tendance générale ainsi que les lignées ayant un comportement extrême, qui ont été labellisées.

Le test de Wilcoxon a maintenant été appliqué aux mads des lignées pour l’âge 1 et l’âge. On a pu faire dans ce cas-ci aussi un test paired. Wilcoxon signed rank test with continuity correction

data: mad by age V = 7608, p-value = 0.09251 alternative hypothesis: true location shift is not equal to 0


Les graphiqueS suivant sont issus de l’indicateur de variation \(I_v = (CV_r4-CV_r1)/CV_r1)\), et représentent les mêmes données sous des formes différentes. Les lignées du graphique de droite ont été ordonnées suivant cette différence.

La normalité de la distribution de l’indicateur de variation est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmad$diff W = 0.84583, p-value = 8.985e-12


Les graphiques suivants sont semblables aux précédents, les données ‘extrêmes’ ont toutefois été enlevées afin de voir si cela améliorait la normalité de la distribution des données.

La normalité de la distribution de l’indicateur de variation (sans extrêmes) est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmad_no_outliers$diff W = 0.94899, p-value = 1.877e-05


Ci-dessous, on voit la correlation entre CVr4 (mad4/med4) et CVr1 (mad1/med1).

Coefficient de correlation de Spearman pour les CVrs. Spearman’s rank correlation rho

data: dfmad\(mad1 and dfmad\)mad4 S = 652930, p-value = 0.3203 alternative hypothesis: true rho is not equal to 0 sample estimates: rho 0.07851265


CORRELATION Im Iv


La corrélation Im Iv affichée ci-dessous est la corrélation entre les indicateur Im et Iv pour chacune des lignées.

Coefficient de correlation de Spearman pour la correlation Iv Im. Spearman’s rank correlation rho

data: mgmedmad\(diff.median and mgmedmad\)diff.mad S = 1012800, p-value = 1.677e-08 alternative hypothesis: true rho is not equal to 0 sample estimates: rho -0.4293392










DiastolicIntervals_Mean



Ci-dessous est affiché le barplot des lignées restantes après le second filtre. Il reste 100 % des lignées de DATA_Analysis.

Les boxplots suivants sont les valeurs du phénotype étudié pour les individus de chaque lignée, ces dernières étant ordonnées selon leur médiane. Le premier graphique est pour l’âge 1, le second pour l’âge 4.

Les valeurs phénotypiques de tous les individus sont maintenant organisées en fonction des âges, sans un regard à la lignée, afin de voir si on a une tendance générale.

Un premier test de Wilcoxon est appliquée à ces données. Si la p-valeur est inférieure à 0.05, cela signifie que les deux populations (age1, age4) ont des moyennes significativement différentes et ne suivent donc pas une même distribution. Wilcoxon rank sum test with continuity correction

data: value by age W = 1212800, p-value < 2.2e-16 alternative hypothesis: true location shift is not equal to 0


INDICATEUR DE MOYENNE


Ici, on ne travaille plus avec les individus mais avec les lignées. Les médianes des lignées pour les deux âges ont été calculées et mises sous forme d’un boxplot comparable avec le précédent, il nous permet de voir la tendance générale ainsi que les lignées ayant un comportement extrême, qui ont été labellisées.

Le test de Wilcoxon a maintenant été appliqué aux médianes des lignées pour l’âge 1 et l’âge. On a pu faire dans ce cas-ci un test paired. Wilcoxon signed rank test with continuity correction

data: median by age V = 2009, p-value = 1.601e-14 alternative hypothesis: true location shift is not equal to 0


Les graphiques suivants sont issus des indicateurs de moyenne \(I_m = (med4-med1)/med1\), et représentent les mêmes données sous des formes différentes. Les lignées du graphique de droite ont été ordonnées suivant cette différence.

La normalité de la distribution de l’indicateur de moyenne est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmedian$diff W = 0.9034, p-value = 7.681e-09


Les graphiques suivants sont semblables aux précédents, les données ‘extrêmes’ ont toutefois été enlevées afin de voir si cela améliorait la normalité de la distribution des données.

La normalité de la distribution de l’indicateur de moyenne (sans extrêmes) est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmedian_no_outliers$diff W = 0.98584, p-value = 0.1129


Ci-dessous, on voit la correlation entre l’âge 1 et l’âge 4 pour la médiane.

Coefficient de correlation de Spearman pour la médiane. Spearman’s rank correlation rho

data: dfmedian\(median1 and dfmedian\)median4 S = 413070, p-value = 4.581e-08 alternative hypothesis: true rho is not equal to 0 sample estimates: rho 0.4170354


INDICATEUR DE VARIATION


De même que pour la médiane, on ne travaille plus avec les individus mais avec les lignées. Les mad des lignées pour les deux âges ont été calculées et mises sous forme d’un boxplot comparable avec le précédent, il nous permet de voir la tendance générale ainsi que les lignées ayant un comportement extrême, qui ont été labellisées.

Le test de Wilcoxon a maintenant été appliqué aux mads des lignées pour l’âge 1 et l’âge. On a pu faire dans ce cas-ci aussi un test paired. Wilcoxon signed rank test with continuity correction

data: mad by age V = 3187, p-value = 1.135e-08 alternative hypothesis: true location shift is not equal to 0


Les graphiqueS suivant sont issus de l’indicateur de variation \(I_v = (CV_r4-CV_r1)/CV_r1)\), et représentent les mêmes données sous des formes différentes. Les lignées du graphique de droite ont été ordonnées suivant cette différence.

La normalité de la distribution de l’indicateur de variation est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmad$diff W = 0.9087, p-value = 1.61e-08


Les graphiques suivants sont semblables aux précédents, les données ‘extrêmes’ ont toutefois été enlevées afin de voir si cela améliorait la normalité de la distribution des données.

La normalité de la distribution de l’indicateur de variation (sans extrêmes) est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmad_no_outliers$diff W = 0.97187, p-value = 0.002922


Ci-dessous, on voit la correlation entre CVr4 (mad4/med4) et CVr1 (mad1/med1).

Coefficient de correlation de Spearman pour les CVrs. Spearman’s rank correlation rho

data: dfmad\(mad1 and dfmad\)mad4 S = 519040, p-value = 0.0006046 alternative hypothesis: true rho is not equal to 0 sample estimates: rho 0.2674731


CORRELATION Im Iv


La corrélation Im Iv affichée ci-dessous est la corrélation entre les indicateur Im et Iv pour chacune des lignées.

Coefficient de correlation de Spearman pour la correlation Iv Im. Spearman’s rank correlation rho

data: mgmedmad\(diff.median and mgmedmad\)diff.mad S = 743910, p-value = 0.528 alternative hypothesis: true rho is not equal to 0 sample estimates: rho -0.04989126










DiastolicIntervals_Median



Ci-dessous est affiché le barplot des lignées restantes après le second filtre. Il reste 100 % des lignées de DATA_Analysis.

Les boxplots suivants sont les valeurs du phénotype étudié pour les individus de chaque lignée, ces dernières étant ordonnées selon leur médiane. Le premier graphique est pour l’âge 1, le second pour l’âge 4.

Les valeurs phénotypiques de tous les individus sont maintenant organisées en fonction des âges, sans un regard à la lignée, afin de voir si on a une tendance générale.

Un premier test de Wilcoxon est appliquée à ces données. Si la p-valeur est inférieure à 0.05, cela signifie que les deux populations (age1, age4) ont des moyennes significativement différentes et ne suivent donc pas une même distribution. Wilcoxon rank sum test with continuity correction

data: value by age W = 1194100, p-value < 2.2e-16 alternative hypothesis: true location shift is not equal to 0


INDICATEUR DE MOYENNE


Ici, on ne travaille plus avec les individus mais avec les lignées. Les médianes des lignées pour les deux âges ont été calculées et mises sous forme d’un boxplot comparable avec le précédent, il nous permet de voir la tendance générale ainsi que les lignées ayant un comportement extrême, qui ont été labellisées.

Le test de Wilcoxon a maintenant été appliqué aux médianes des lignées pour l’âge 1 et l’âge. On a pu faire dans ce cas-ci un test paired. Wilcoxon signed rank test with continuity correction

data: median by age V = 1837, p-value = 1.628e-15 alternative hypothesis: true location shift is not equal to 0


Les graphiques suivants sont issus des indicateurs de moyenne \(I_m = (med4-med1)/med1\), et représentent les mêmes données sous des formes différentes. Les lignées du graphique de droite ont été ordonnées suivant cette différence.

La normalité de la distribution de l’indicateur de moyenne est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmedian$diff W = 0.91882, p-value = 7.134e-08


Les graphiques suivants sont semblables aux précédents, les données ‘extrêmes’ ont toutefois été enlevées afin de voir si cela améliorait la normalité de la distribution des données.

La normalité de la distribution de l’indicateur de moyenne (sans extrêmes) est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmedian_no_outliers$diff W = 0.97465, p-value = 0.005427


Ci-dessous, on voit la correlation entre l’âge 1 et l’âge 4 pour la médiane.

Coefficient de correlation de Spearman pour la médiane. Spearman’s rank correlation rho

data: dfmedian\(median1 and dfmedian\)median4 S = 430770, p-value = 3.127e-07 alternative hypothesis: true rho is not equal to 0 sample estimates: rho 0.3920523


INDICATEUR DE VARIATION


De même que pour la médiane, on ne travaille plus avec les individus mais avec les lignées. Les mad des lignées pour les deux âges ont été calculées et mises sous forme d’un boxplot comparable avec le précédent, il nous permet de voir la tendance générale ainsi que les lignées ayant un comportement extrême, qui ont été labellisées.

Le test de Wilcoxon a maintenant été appliqué aux mads des lignées pour l’âge 1 et l’âge. On a pu faire dans ce cas-ci aussi un test paired. Wilcoxon signed rank test with continuity correction

data: mad by age V = 2889, p-value = 5.382e-10 alternative hypothesis: true location shift is not equal to 0


Les graphiqueS suivant sont issus de l’indicateur de variation \(I_v = (CV_r4-CV_r1)/CV_r1)\), et représentent les mêmes données sous des formes différentes. Les lignées du graphique de droite ont été ordonnées suivant cette différence.

La normalité de la distribution de l’indicateur de variation est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmad$diff W = 0.91049, p-value = 2.077e-08


Les graphiques suivants sont semblables aux précédents, les données ‘extrêmes’ ont toutefois été enlevées afin de voir si cela améliorait la normalité de la distribution des données.

La normalité de la distribution de l’indicateur de variation (sans extrêmes) est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmad_no_outliers$diff W = 0.97057, p-value = 0.002218


Ci-dessous, on voit la correlation entre CVr4 (mad4/med4) et CVr1 (mad1/med1).

Coefficient de correlation de Spearman pour les CVrs. Spearman’s rank correlation rho

data: dfmad\(mad1 and dfmad\)mad4 S = 563420, p-value = 0.009029 alternative hypothesis: true rho is not equal to 0 sample estimates: rho 0.2048391


CORRELATION Im Iv


La corrélation Im Iv affichée ci-dessous est la corrélation entre les indicateur Im et Iv pour chacune des lignées.

Coefficient de correlation de Spearman pour la correlation Iv Im. Spearman’s rank correlation rho

data: mgmedmad\(diff.median and mgmedmad\)diff.mad S = 688520, p-value = 0.7206 alternative hypothesis: true rho is not equal to 0 sample estimates: rho 0.02828691










DiastolicIntervals_StdDev



Ci-dessous est affiché le barplot des lignées restantes après le second filtre. Il reste 100 % des lignées de DATA_Analysis.

Les boxplots suivants sont les valeurs du phénotype étudié pour les individus de chaque lignée, ces dernières étant ordonnées selon leur médiane. Le premier graphique est pour l’âge 1, le second pour l’âge 4.

Les valeurs phénotypiques de tous les individus sont maintenant organisées en fonction des âges, sans un regard à la lignée, afin de voir si on a une tendance générale.

Un premier test de Wilcoxon est appliquée à ces données. Si la p-valeur est inférieure à 0.05, cela signifie que les deux populations (age1, age4) ont des moyennes significativement différentes et ne suivent donc pas une même distribution. Wilcoxon rank sum test with continuity correction

data: value by age W = 1402900, p-value = 1.094e-15 alternative hypothesis: true location shift is not equal to 0


INDICATEUR DE MOYENNE


Ici, on ne travaille plus avec les individus mais avec les lignées. Les médianes des lignées pour les deux âges ont été calculées et mises sous forme d’un boxplot comparable avec le précédent, il nous permet de voir la tendance générale ainsi que les lignées ayant un comportement extrême, qui ont été labellisées.

Le test de Wilcoxon a maintenant été appliqué aux médianes des lignées pour l’âge 1 et l’âge. On a pu faire dans ce cas-ci un test paired. Wilcoxon signed rank test with continuity correction

data: median by age V = 3484, p-value = 1.863e-07 alternative hypothesis: true location shift is not equal to 0


Les graphiques suivants sont issus des indicateurs de moyenne \(I_m = (med4-med1)/med1\), et représentent les mêmes données sous des formes différentes. Les lignées du graphique de droite ont été ordonnées suivant cette différence.

La normalité de la distribution de l’indicateur de moyenne est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmedian$diff W = 0.80475, p-value = 1.945e-13


Les graphiques suivants sont semblables aux précédents, les données ‘extrêmes’ ont toutefois été enlevées afin de voir si cela améliorait la normalité de la distribution des données.

La normalité de la distribution de l’indicateur de moyenne (sans extrêmes) est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmedian_no_outliers$diff W = 0.92764, p-value = 7.342e-07


Ci-dessous, on voit la correlation entre l’âge 1 et l’âge 4 pour la médiane.

Coefficient de correlation de Spearman pour la médiane. Spearman’s rank correlation rho

data: dfmedian\(median1 and dfmedian\)median4 S = 456740, p-value = 4.036e-06 alternative hypothesis: true rho is not equal to 0 sample estimates: rho 0.3553978


INDICATEUR DE VARIATION


De même que pour la médiane, on ne travaille plus avec les individus mais avec les lignées. Les mad des lignées pour les deux âges ont été calculées et mises sous forme d’un boxplot comparable avec le précédent, il nous permet de voir la tendance générale ainsi que les lignées ayant un comportement extrême, qui ont été labellisées.

Le test de Wilcoxon a maintenant été appliqué aux mads des lignées pour l’âge 1 et l’âge. On a pu faire dans ce cas-ci aussi un test paired. Wilcoxon signed rank test with continuity correction

data: mad by age V = 4016, p-value = 1.54e-05 alternative hypothesis: true location shift is not equal to 0


Les graphiqueS suivant sont issus de l’indicateur de variation \(I_v = (CV_r4-CV_r1)/CV_r1)\), et représentent les mêmes données sous des formes différentes. Les lignées du graphique de droite ont été ordonnées suivant cette différence.

La normalité de la distribution de l’indicateur de variation est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmad$diff W = 0.92877, p-value = 3.452e-07


Les graphiques suivants sont semblables aux précédents, les données ‘extrêmes’ ont toutefois été enlevées afin de voir si cela améliorait la normalité de la distribution des données.

La normalité de la distribution de l’indicateur de variation (sans extrêmes) est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmad_no_outliers$diff W = 0.98631, p-value = 0.134


Ci-dessous, on voit la correlation entre CVr4 (mad4/med4) et CVr1 (mad1/med1).

Coefficient de correlation de Spearman pour les CVrs. Spearman’s rank correlation rho

data: dfmad\(mad1 and dfmad\)mad4 S = 502630, p-value = 0.0001867 alternative hypothesis: true rho is not equal to 0 sample estimates: rho 0.2906271


CORRELATION Im Iv


La corrélation Im Iv affichée ci-dessous est la corrélation entre les indicateur Im et Iv pour chacune des lignées.

Coefficient de correlation de Spearman pour la correlation Iv Im. Spearman’s rank correlation rho

data: mgmedmad\(diff.median and mgmedmad\)diff.mad S = 663230, p-value = 0.4182 alternative hypothesis: true rho is not equal to 0 sample estimates: rho 0.06397897










DiastolicIntervals_StdDevOnMedian



Ci-dessous est affiché le barplot des lignées restantes après le second filtre. Il reste 100 % des lignées de DATA_Analysis.

Les boxplots suivants sont les valeurs du phénotype étudié pour les individus de chaque lignée, ces dernières étant ordonnées selon leur médiane. Le premier graphique est pour l’âge 1, le second pour l’âge 4.

Les valeurs phénotypiques de tous les individus sont maintenant organisées en fonction des âges, sans un regard à la lignée, afin de voir si on a une tendance générale.

Un premier test de Wilcoxon est appliquée à ces données. Si la p-valeur est inférieure à 0.05, cela signifie que les deux populations (age1, age4) ont des moyennes significativement différentes et ne suivent donc pas une même distribution. Wilcoxon rank sum test with continuity correction

data: value by age W = 1623600, p-value = 0.2907 alternative hypothesis: true location shift is not equal to 0


INDICATEUR DE MOYENNE


Ici, on ne travaille plus avec les individus mais avec les lignées. Les médianes des lignées pour les deux âges ont été calculées et mises sous forme d’un boxplot comparable avec le précédent, il nous permet de voir la tendance générale ainsi que les lignées ayant un comportement extrême, qui ont été labellisées.

Le test de Wilcoxon a maintenant été appliqué aux médianes des lignées pour l’âge 1 et l’âge. On a pu faire dans ce cas-ci un test paired. Wilcoxon signed rank test with continuity correction

data: median by age V = 6433, p-value = 0.7788 alternative hypothesis: true location shift is not equal to 0


Les graphiques suivants sont issus des indicateurs de moyenne \(I_m = (med4-med1)/med1\), et représentent les mêmes données sous des formes différentes. Les lignées du graphique de droite ont été ordonnées suivant cette différence.

La normalité de la distribution de l’indicateur de moyenne est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmedian$diff W = 0.68518, p-value < 2.2e-16


Les graphiques suivants sont semblables aux précédents, les données ‘extrêmes’ ont toutefois été enlevées afin de voir si cela améliorait la normalité de la distribution des données.

La normalité de la distribution de l’indicateur de moyenne (sans extrêmes) est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmedian_no_outliers$diff W = 0.9349, p-value = 1.565e-06


Ci-dessous, on voit la correlation entre l’âge 1 et l’âge 4 pour la médiane.

Coefficient de correlation de Spearman pour la médiane. Spearman’s rank correlation rho

data: dfmedian\(median1 and dfmedian\)median4 S = 494660, p-value = 0.0001018 alternative hypothesis: true rho is not equal to 0 sample estimates: rho 0.3018809


INDICATEUR DE VARIATION


De même que pour la médiane, on ne travaille plus avec les individus mais avec les lignées. Les mad des lignées pour les deux âges ont été calculées et mises sous forme d’un boxplot comparable avec le précédent, il nous permet de voir la tendance générale ainsi que les lignées ayant un comportement extrême, qui ont été labellisées.

Le test de Wilcoxon a maintenant été appliqué aux mads des lignées pour l’âge 1 et l’âge. On a pu faire dans ce cas-ci aussi un test paired. Wilcoxon signed rank test with continuity correction

data: mad by age V = 6747, p-value = 0.8084 alternative hypothesis: true location shift is not equal to 0


Les graphiqueS suivant sont issus de l’indicateur de variation \(I_v = (CV_r4-CV_r1)/CV_r1)\), et représentent les mêmes données sous des formes différentes. Les lignées du graphique de droite ont été ordonnées suivant cette différence.

La normalité de la distribution de l’indicateur de variation est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmad$diff W = 0.88101, p-value = 4.339e-10


Les graphiques suivants sont semblables aux précédents, les données ‘extrêmes’ ont toutefois été enlevées afin de voir si cela améliorait la normalité de la distribution des données.

La normalité de la distribution de l’indicateur de variation (sans extrêmes) est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmad_no_outliers$diff W = 0.97184, p-value = 0.003279


Ci-dessous, on voit la correlation entre CVr4 (mad4/med4) et CVr1 (mad1/med1).

Coefficient de correlation de Spearman pour les CVrs. Spearman’s rank correlation rho

data: dfmad\(mad1 and dfmad\)mad4 S = 528980, p-value = 0.001175 alternative hypothesis: true rho is not equal to 0 sample estimates: rho 0.2534447


CORRELATION Im Iv


La corrélation Im Iv affichée ci-dessous est la corrélation entre les indicateur Im et Iv pour chacune des lignées.

Coefficient de correlation de Spearman pour la correlation Iv Im. Spearman’s rank correlation rho

data: mgmedmad\(diff.median and mgmedmad\)diff.mad S = 531950, p-value = 0.001423 alternative hypothesis: true rho is not equal to 0 sample estimates: rho 0.2492559










DiastolicMeanDiameter



Ci-dessous est affiché le barplot des lignées restantes après le second filtre. Il reste 84.5679 % des lignées de DATA_Analysis.

Les boxplots suivants sont les valeurs du phénotype étudié pour les individus de chaque lignée, ces dernières étant ordonnées selon leur médiane. Le premier graphique est pour l’âge 1, le second pour l’âge 4.

Les valeurs phénotypiques de tous les individus sont maintenant organisées en fonction des âges, sans un regard à la lignée, afin de voir si on a une tendance générale.

Un premier test de Wilcoxon est appliquée à ces données. Si la p-valeur est inférieure à 0.05, cela signifie que les deux populations (age1, age4) ont des moyennes significativement différentes et ne suivent donc pas une même distribution. Wilcoxon rank sum test with continuity correction

data: value by age W = 1257600, p-value = 2.086e-12 alternative hypothesis: true location shift is not equal to 0


INDICATEUR DE MOYENNE


Ici, on ne travaille plus avec les individus mais avec les lignées. Les médianes des lignées pour les deux âges ont été calculées et mises sous forme d’un boxplot comparable avec le précédent, il nous permet de voir la tendance générale ainsi que les lignées ayant un comportement extrême, qui ont été labellisées.

Le test de Wilcoxon a maintenant été appliqué aux médianes des lignées pour l’âge 1 et l’âge. On a pu faire dans ce cas-ci un test paired. Wilcoxon signed rank test with continuity correction

data: median by age V = 6974, p-value = 1.381e-06 alternative hypothesis: true location shift is not equal to 0


Les graphiques suivants sont issus des indicateurs de moyenne \(I_m = (med4-med1)/med1\), et représentent les mêmes données sous des formes différentes. Les lignées du graphique de droite ont été ordonnées suivant cette différence.

La normalité de la distribution de l’indicateur de moyenne est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmedian$diff W = 0.98195, p-value = 0.06692


Les graphiques suivants sont semblables aux précédents, les données ‘extrêmes’ ont toutefois été enlevées afin de voir si cela améliorait la normalité de la distribution des données.

La normalité de la distribution de l’indicateur de moyenne (sans extrêmes) est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmedian_no_outliers$diff W = 0.98391, p-value = 0.1129


Ci-dessous, on voit la correlation entre l’âge 1 et l’âge 4 pour la médiane.

Coefficient de correlation de Spearman pour la médiane. Spearman’s rank correlation rho

data: dfmedian\(median1 and dfmedian\)median4 S = 126050, p-value < 2.2e-16 alternative hypothesis: true rho is not equal to 0 sample estimates: rho 0.7058553


INDICATEUR DE VARIATION


De même que pour la médiane, on ne travaille plus avec les individus mais avec les lignées. Les mad des lignées pour les deux âges ont été calculées et mises sous forme d’un boxplot comparable avec le précédent, il nous permet de voir la tendance générale ainsi que les lignées ayant un comportement extrême, qui ont été labellisées.

Le test de Wilcoxon a maintenant été appliqué aux mads des lignées pour l’âge 1 et l’âge. On a pu faire dans ce cas-ci aussi un test paired. Wilcoxon signed rank test with continuity correction

data: mad by age V = 5874, p-value = 0.01373 alternative hypothesis: true location shift is not equal to 0


Les graphiqueS suivant sont issus de l’indicateur de variation \(I_v = (CV_r4-CV_r1)/CV_r1)\), et représentent les mêmes données sous des formes différentes. Les lignées du graphique de droite ont été ordonnées suivant cette différence.

La normalité de la distribution de l’indicateur de variation est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmad$diff W = 0.91306, p-value = 2.251e-07


Les graphiques suivants sont semblables aux précédents, les données ‘extrêmes’ ont toutefois été enlevées afin de voir si cela améliorait la normalité de la distribution des données.

La normalité de la distribution de l’indicateur de variation (sans extrêmes) est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmad_no_outliers$diff W = 0.95184, p-value = 0.0001479


Ci-dessous, on voit la correlation entre CVr4 (mad4/med4) et CVr1 (mad1/med1).

Coefficient de correlation de Spearman pour les CVrs. Spearman’s rank correlation rho

data: dfmad\(mad1 and dfmad\)mad4 S = 377040, p-value = 0.1618 alternative hypothesis: true rho is not equal to 0 sample estimates: rho 0.1201579


CORRELATION Im Iv


La corrélation Im Iv affichée ci-dessous est la corrélation entre les indicateur Im et Iv pour chacune des lignées.

Coefficient de correlation de Spearman pour la correlation Iv Im. Spearman’s rank correlation rho

data: mgmedmad\(diff.median and mgmedmad\)diff.mad S = 440990, p-value = 0.7358 alternative hypothesis: true rho is not equal to 0 sample estimates: rho -0.02905707










FractionalShortening



Ci-dessous est affiché le barplot des lignées restantes après le second filtre. Il reste 84.5679 % des lignées de DATA_Analysis.

Les boxplots suivants sont les valeurs du phénotype étudié pour les individus de chaque lignée, ces dernières étant ordonnées selon leur médiane. Le premier graphique est pour l’âge 1, le second pour l’âge 4.

Les valeurs phénotypiques de tous les individus sont maintenant organisées en fonction des âges, sans un regard à la lignée, afin de voir si on a une tendance générale.

Un premier test de Wilcoxon est appliquée à ces données. Si la p-valeur est inférieure à 0.05, cela signifie que les deux populations (age1, age4) ont des moyennes significativement différentes et ne suivent donc pas une même distribution. Wilcoxon rank sum test with continuity correction

data: value by age W = 1136200, p-value = 0.0614 alternative hypothesis: true location shift is not equal to 0


INDICATEUR DE MOYENNE


Ici, on ne travaille plus avec les individus mais avec les lignées. Les médianes des lignées pour les deux âges ont été calculées et mises sous forme d’un boxplot comparable avec le précédent, il nous permet de voir la tendance générale ainsi que les lignées ayant un comportement extrême, qui ont été labellisées.

Le test de Wilcoxon a maintenant été appliqué aux médianes des lignées pour l’âge 1 et l’âge. On a pu faire dans ce cas-ci un test paired. Wilcoxon signed rank test with continuity correction

data: median by age V = 5432, p-value = 0.1298 alternative hypothesis: true location shift is not equal to 0


Les graphiques suivants sont issus des indicateurs de moyenne \(I_m = (med4-med1)/med1\), et représentent les mêmes données sous des formes différentes. Les lignées du graphique de droite ont été ordonnées suivant cette différence.

La normalité de la distribution de l’indicateur de moyenne est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmedian$diff W = 0.95653, p-value = 0.0002481


Les graphiques suivants sont semblables aux précédents, les données ‘extrêmes’ ont toutefois été enlevées afin de voir si cela améliorait la normalité de la distribution des données.

La normalité de la distribution de l’indicateur de moyenne (sans extrêmes) est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmedian_no_outliers$diff W = 0.98425, p-value = 0.1225


Ci-dessous, on voit la correlation entre l’âge 1 et l’âge 4 pour la médiane.

Coefficient de correlation de Spearman pour la médiane. Spearman’s rank correlation rho

data: dfmedian\(median1 and dfmedian\)median4 S = 213760, p-value = 6.598e-10 alternative hypothesis: true rho is not equal to 0 sample estimates: rho 0.5011761


INDICATEUR DE VARIATION


De même que pour la médiane, on ne travaille plus avec les individus mais avec les lignées. Les mad des lignées pour les deux âges ont été calculées et mises sous forme d’un boxplot comparable avec le précédent, il nous permet de voir la tendance générale ainsi que les lignées ayant un comportement extrême, qui ont été labellisées.

Le test de Wilcoxon a maintenant été appliqué aux mads des lignées pour l’âge 1 et l’âge. On a pu faire dans ce cas-ci aussi un test paired. Wilcoxon signed rank test with continuity correction

data: mad by age V = 4120, p-value = 0.1929 alternative hypothesis: true location shift is not equal to 0


Les graphiqueS suivant sont issus de l’indicateur de variation \(I_v = (CV_r4-CV_r1)/CV_r1)\), et représentent les mêmes données sous des formes différentes. Les lignées du graphique de droite ont été ordonnées suivant cette différence.

La normalité de la distribution de l’indicateur de variation est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmad$diff W = 0.72527, p-value = 1.065e-14


Les graphiques suivants sont semblables aux précédents, les données ‘extrêmes’ ont toutefois été enlevées afin de voir si cela améliorait la normalité de la distribution des données.

La normalité de la distribution de l’indicateur de variation (sans extrêmes) est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmad_no_outliers$diff W = 0.94688, p-value = 5.765e-05


Ci-dessous, on voit la correlation entre CVr4 (mad4/med4) et CVr1 (mad1/med1).

Coefficient de correlation de Spearman pour les CVrs. Spearman’s rank correlation rho

data: dfmad\(mad1 and dfmad\)mad4 S = 411070, p-value = 0.636 alternative hypothesis: true rho is not equal to 0 sample estimates: rho 0.04074804


CORRELATION Im Iv


La corrélation Im Iv affichée ci-dessous est la corrélation entre les indicateur Im et Iv pour chacune des lignées.

Coefficient de correlation de Spearman pour la correlation Iv Im. Spearman’s rank correlation rho

data: mgmedmad\(diff.median and mgmedmad\)diff.mad S = 566870, p-value = 0.0001296 alternative hypothesis: true rho is not equal to 0 sample estimates: rho -0.3228014










Heartperiod_Mean



Ci-dessous est affiché le barplot des lignées restantes après le second filtre. Il reste 100 % des lignées de DATA_Analysis.

Les boxplots suivants sont les valeurs du phénotype étudié pour les individus de chaque lignée, ces dernières étant ordonnées selon leur médiane. Le premier graphique est pour l’âge 1, le second pour l’âge 4.

Les valeurs phénotypiques de tous les individus sont maintenant organisées en fonction des âges, sans un regard à la lignée, afin de voir si on a une tendance générale.

Un premier test de Wilcoxon est appliquée à ces données. Si la p-valeur est inférieure à 0.05, cela signifie que les deux populations (age1, age4) ont des moyennes significativement différentes et ne suivent donc pas une même distribution. Wilcoxon rank sum test with continuity correction

data: value by age W = 1108800, p-value < 2.2e-16 alternative hypothesis: true location shift is not equal to 0


INDICATEUR DE MOYENNE


Ici, on ne travaille plus avec les individus mais avec les lignées. Les médianes des lignées pour les deux âges ont été calculées et mises sous forme d’un boxplot comparable avec le précédent, il nous permet de voir la tendance générale ainsi que les lignées ayant un comportement extrême, qui ont été labellisées.

Le test de Wilcoxon a maintenant été appliqué aux médianes des lignées pour l’âge 1 et l’âge. On a pu faire dans ce cas-ci un test paired. Wilcoxon signed rank test with continuity correction

data: median by age V = 1587, p-value < 2.2e-16 alternative hypothesis: true location shift is not equal to 0


Les graphiques suivants sont issus des indicateurs de moyenne \(I_m = (med4-med1)/med1\), et représentent les mêmes données sous des formes différentes. Les lignées du graphique de droite ont été ordonnées suivant cette différence.

La normalité de la distribution de l’indicateur de moyenne est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmedian$diff W = 0.96519, p-value = 0.0004273


Les graphiques suivants sont semblables aux précédents, les données ‘extrêmes’ ont toutefois été enlevées afin de voir si cela améliorait la normalité de la distribution des données.

La normalité de la distribution de l’indicateur de moyenne (sans extrêmes) est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmedian_no_outliers$diff W = 0.99357, p-value = 0.72


Ci-dessous, on voit la correlation entre l’âge 1 et l’âge 4 pour la médiane.

Coefficient de correlation de Spearman pour la médiane. Spearman’s rank correlation rho

data: dfmedian\(median1 and dfmedian\)median4 S = 432010, p-value = 3.559e-07 alternative hypothesis: true rho is not equal to 0 sample estimates: rho 0.3902995


INDICATEUR DE VARIATION


De même que pour la médiane, on ne travaille plus avec les individus mais avec les lignées. Les mad des lignées pour les deux âges ont été calculées et mises sous forme d’un boxplot comparable avec le précédent, il nous permet de voir la tendance générale ainsi que les lignées ayant un comportement extrême, qui ont été labellisées.

Le test de Wilcoxon a maintenant été appliqué aux mads des lignées pour l’âge 1 et l’âge. On a pu faire dans ce cas-ci aussi un test paired. Wilcoxon signed rank test with continuity correction

data: mad by age V = 3184, p-value = 1.102e-08 alternative hypothesis: true location shift is not equal to 0


Les graphiqueS suivant sont issus de l’indicateur de variation \(I_v = (CV_r4-CV_r1)/CV_r1)\), et représentent les mêmes données sous des formes différentes. Les lignées du graphique de droite ont été ordonnées suivant cette différence.

La normalité de la distribution de l’indicateur de variation est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmad$diff W = 0.8714, p-value = 1.405e-10


Les graphiques suivants sont semblables aux précédents, les données ‘extrêmes’ ont toutefois été enlevées afin de voir si cela améliorait la normalité de la distribution des données.

La normalité de la distribution de l’indicateur de variation (sans extrêmes) est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmad_no_outliers$diff W = 0.97168, p-value = 0.002903


Ci-dessous, on voit la correlation entre CVr4 (mad4/med4) et CVr1 (mad1/med1).

Coefficient de correlation de Spearman pour les CVrs. Spearman’s rank correlation rho

data: dfmad\(mad1 and dfmad\)mad4 S = 560410, p-value = 0.007674 alternative hypothesis: true rho is not equal to 0 sample estimates: rho 0.2090928


CORRELATION Im Iv


La corrélation Im Iv affichée ci-dessous est la corrélation entre les indicateur Im et Iv pour chacune des lignées.

Coefficient de correlation de Spearman pour la correlation Iv Im. Spearman’s rank correlation rho

data: mgmedmad\(diff.median and mgmedmad\)diff.mad S = 618310, p-value = 0.1062 alternative hypothesis: true rho is not equal to 0 sample estimates: rho 0.1273722










Heartperiod_Median



Ci-dessous est affiché le barplot des lignées restantes après le second filtre. Il reste 100 % des lignées de DATA_Analysis.

Les boxplots suivants sont les valeurs du phénotype étudié pour les individus de chaque lignée, ces dernières étant ordonnées selon leur médiane. Le premier graphique est pour l’âge 1, le second pour l’âge 4.

Les valeurs phénotypiques de tous les individus sont maintenant organisées en fonction des âges, sans un regard à la lignée, afin de voir si on a une tendance générale.

Un premier test de Wilcoxon est appliquée à ces données. Si la p-valeur est inférieure à 0.05, cela signifie que les deux populations (age1, age4) ont des moyennes significativement différentes et ne suivent donc pas une même distribution. Wilcoxon rank sum test with continuity correction

data: value by age W = 1075400, p-value < 2.2e-16 alternative hypothesis: true location shift is not equal to 0


INDICATEUR DE MOYENNE


Ici, on ne travaille plus avec les individus mais avec les lignées. Les médianes des lignées pour les deux âges ont été calculées et mises sous forme d’un boxplot comparable avec le précédent, il nous permet de voir la tendance générale ainsi que les lignées ayant un comportement extrême, qui ont été labellisées.

Le test de Wilcoxon a maintenant été appliqué aux médianes des lignées pour l’âge 1 et l’âge. On a pu faire dans ce cas-ci un test paired. Wilcoxon signed rank test with continuity correction

data: median by age V = 1267, p-value < 2.2e-16 alternative hypothesis: true location shift is not equal to 0


Les graphiques suivants sont issus des indicateurs de moyenne \(I_m = (med4-med1)/med1\), et représentent les mêmes données sous des formes différentes. Les lignées du graphique de droite ont été ordonnées suivant cette différence.

La normalité de la distribution de l’indicateur de moyenne est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmedian$diff W = 0.94723, p-value = 9.287e-06


Les graphiques suivants sont semblables aux précédents, les données ‘extrêmes’ ont toutefois été enlevées afin de voir si cela améliorait la normalité de la distribution des données.

La normalité de la distribution de l’indicateur de moyenne (sans extrêmes) est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmedian_no_outliers$diff W = 0.99075, p-value = 0.4136


Ci-dessous, on voit la correlation entre l’âge 1 et l’âge 4 pour la médiane.

Coefficient de correlation de Spearman pour la médiane. Spearman’s rank correlation rho

data: dfmedian\(median1 and dfmedian\)median4 S = 428130, p-value = 2.372e-07 alternative hypothesis: true rho is not equal to 0 sample estimates: rho 0.3957697


INDICATEUR DE VARIATION


De même que pour la médiane, on ne travaille plus avec les individus mais avec les lignées. Les mad des lignées pour les deux âges ont été calculées et mises sous forme d’un boxplot comparable avec le précédent, il nous permet de voir la tendance générale ainsi que les lignées ayant un comportement extrême, qui ont été labellisées.

Le test de Wilcoxon a maintenant été appliqué aux mads des lignées pour l’âge 1 et l’âge. On a pu faire dans ce cas-ci aussi un test paired. Wilcoxon signed rank test with continuity correction

data: mad by age V = 2436, p-value = 3.282e-12 alternative hypothesis: true location shift is not equal to 0


Les graphiqueS suivant sont issus de l’indicateur de variation \(I_v = (CV_r4-CV_r1)/CV_r1)\), et représentent les mêmes données sous des formes différentes. Les lignées du graphique de droite ont été ordonnées suivant cette différence.

La normalité de la distribution de l’indicateur de variation est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmad$diff W = 0.8761, p-value = 2.422e-10


Les graphiques suivants sont semblables aux précédents, les données ‘extrêmes’ ont toutefois été enlevées afin de voir si cela améliorait la normalité de la distribution des données.

La normalité de la distribution de l’indicateur de variation (sans extrêmes) est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmad_no_outliers$diff W = 0.96256, p-value = 0.0003651


Ci-dessous, on voit la correlation entre CVr4 (mad4/med4) et CVr1 (mad1/med1).

Coefficient de correlation de Spearman pour les CVrs. Spearman’s rank correlation rho

data: dfmad\(mad1 and dfmad\)mad4 S = 546630, p-value = 0.003513 alternative hypothesis: true rho is not equal to 0 sample estimates: rho 0.228535


CORRELATION Im Iv


La corrélation Im Iv affichée ci-dessous est la corrélation entre les indicateur Im et Iv pour chacune des lignées.

Coefficient de correlation de Spearman pour la correlation Iv Im. Spearman’s rank correlation rho

data: mgmedmad\(diff.median and mgmedmad\)diff.mad S = 662290, p-value = 0.4086 alternative hypothesis: true rho is not equal to 0 sample estimates: rho 0.0653056










Heartperiod_StdDev



Ci-dessous est affiché le barplot des lignées restantes après le second filtre. Il reste 100 % des lignées de DATA_Analysis.

Les boxplots suivants sont les valeurs du phénotype étudié pour les individus de chaque lignée, ces dernières étant ordonnées selon leur médiane. Le premier graphique est pour l’âge 1, le second pour l’âge 4.

Les valeurs phénotypiques de tous les individus sont maintenant organisées en fonction des âges, sans un regard à la lignée, afin de voir si on a une tendance générale.

Un premier test de Wilcoxon est appliquée à ces données. Si la p-valeur est inférieure à 0.05, cela signifie que les deux populations (age1, age4) ont des moyennes significativement différentes et ne suivent donc pas une même distribution. Wilcoxon rank sum test with continuity correction

data: value by age W = 1376800, p-value < 2.2e-16 alternative hypothesis: true location shift is not equal to 0


INDICATEUR DE MOYENNE


Ici, on ne travaille plus avec les individus mais avec les lignées. Les médianes des lignées pour les deux âges ont été calculées et mises sous forme d’un boxplot comparable avec le précédent, il nous permet de voir la tendance générale ainsi que les lignées ayant un comportement extrême, qui ont été labellisées.

Le test de Wilcoxon a maintenant été appliqué aux médianes des lignées pour l’âge 1 et l’âge. On a pu faire dans ce cas-ci un test paired. Wilcoxon signed rank test with continuity correction

data: median by age V = 3219, p-value = 1.552e-08 alternative hypothesis: true location shift is not equal to 0


Les graphiques suivants sont issus des indicateurs de moyenne \(I_m = (med4-med1)/med1\), et représentent les mêmes données sous des formes différentes. Les lignées du graphique de droite ont été ordonnées suivant cette différence.

La normalité de la distribution de l’indicateur de moyenne est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmedian$diff W = 0.84834, p-value = 1.161e-11


Les graphiques suivants sont semblables aux précédents, les données ‘extrêmes’ ont toutefois été enlevées afin de voir si cela améliorait la normalité de la distribution des données.

La normalité de la distribution de l’indicateur de moyenne (sans extrêmes) est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmedian_no_outliers$diff W = 0.92921, p-value = 5.676e-07


Ci-dessous, on voit la correlation entre l’âge 1 et l’âge 4 pour la médiane.

Coefficient de correlation de Spearman pour la médiane. Spearman’s rank correlation rho

data: dfmedian\(median1 and dfmedian\)median4 S = 445300, p-value = 1.357e-06 alternative hypothesis: true rho is not equal to 0 sample estimates: rho 0.3715403


INDICATEUR DE VARIATION


De même que pour la médiane, on ne travaille plus avec les individus mais avec les lignées. Les mad des lignées pour les deux âges ont été calculées et mises sous forme d’un boxplot comparable avec le précédent, il nous permet de voir la tendance générale ainsi que les lignées ayant un comportement extrême, qui ont été labellisées.

Le test de Wilcoxon a maintenant été appliqué aux mads des lignées pour l’âge 1 et l’âge. On a pu faire dans ce cas-ci aussi un test paired. Wilcoxon signed rank test with continuity correction

data: mad by age V = 4003, p-value = 1.395e-05 alternative hypothesis: true location shift is not equal to 0


Les graphiqueS suivant sont issus de l’indicateur de variation \(I_v = (CV_r4-CV_r1)/CV_r1)\), et représentent les mêmes données sous des formes différentes. Les lignées du graphique de droite ont été ordonnées suivant cette différence.

La normalité de la distribution de l’indicateur de variation est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmad$diff W = 0.94743, p-value = 9.664e-06


Les graphiques suivants sont semblables aux précédents, les données ‘extrêmes’ ont toutefois été enlevées afin de voir si cela améliorait la normalité de la distribution des données.

La normalité de la distribution de l’indicateur de variation (sans extrêmes) est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmad_no_outliers$diff W = 0.97008, p-value = 0.001588


Ci-dessous, on voit la correlation entre CVr4 (mad4/med4) et CVr1 (mad1/med1).

Coefficient de correlation de Spearman pour les CVrs. Spearman’s rank correlation rho

data: dfmad\(mad1 and dfmad\)mad4 S = 534750, p-value = 0.0017 alternative hypothesis: true rho is not equal to 0 sample estimates: rho 0.245307


CORRELATION Im Iv


La corrélation Im Iv affichée ci-dessous est la corrélation entre les indicateur Im et Iv pour chacune des lignées.

Coefficient de correlation de Spearman pour la correlation Iv Im. Spearman’s rank correlation rho

data: mgmedmad\(diff.median and mgmedmad\)diff.mad S = 650390, p-value = 0.2987 alternative hypothesis: true rho is not equal to 0 sample estimates: rho 0.08209738










Heartperiod_StdDevOnMedian



Ci-dessous est affiché le barplot des lignées restantes après le second filtre. Il reste 100 % des lignées de DATA_Analysis.

Les boxplots suivants sont les valeurs du phénotype étudié pour les individus de chaque lignée, ces dernières étant ordonnées selon leur médiane. Le premier graphique est pour l’âge 1, le second pour l’âge 4.

Les valeurs phénotypiques de tous les individus sont maintenant organisées en fonction des âges, sans un regard à la lignée, afin de voir si on a une tendance générale.

Un premier test de Wilcoxon est appliquée à ces données. Si la p-valeur est inférieure à 0.05, cela signifie que les deux populations (age1, age4) ont des moyennes significativement différentes et ne suivent donc pas une même distribution. Wilcoxon rank sum test with continuity correction

data: value by age W = 1570700, p-value = 0.007043 alternative hypothesis: true location shift is not equal to 0


INDICATEUR DE MOYENNE


Ici, on ne travaille plus avec les individus mais avec les lignées. Les médianes des lignées pour les deux âges ont été calculées et mises sous forme d’un boxplot comparable avec le précédent, il nous permet de voir la tendance générale ainsi que les lignées ayant un comportement extrême, qui ont été labellisées.

Le test de Wilcoxon a maintenant été appliqué aux médianes des lignées pour l’âge 1 et l’âge. On a pu faire dans ce cas-ci un test paired. Wilcoxon signed rank test with continuity correction

data: median by age V = 5586, p-value = 0.08963 alternative hypothesis: true location shift is not equal to 0


Les graphiques suivants sont issus des indicateurs de moyenne \(I_m = (med4-med1)/med1\), et représentent les mêmes données sous des formes différentes. Les lignées du graphique de droite ont été ordonnées suivant cette différence.

La normalité de la distribution de l’indicateur de moyenne est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmedian$diff W = 0.81969, p-value = 7.303e-13


Les graphiques suivants sont semblables aux précédents, les données ‘extrêmes’ ont toutefois été enlevées afin de voir si cela améliorait la normalité de la distribution des données.

La normalité de la distribution de l’indicateur de moyenne (sans extrêmes) est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmedian_no_outliers$diff W = 0.93, p-value = 8.004e-07


Ci-dessous, on voit la correlation entre l’âge 1 et l’âge 4 pour la médiane.

Coefficient de correlation de Spearman pour la médiane. Spearman’s rank correlation rho

data: dfmedian\(median1 and dfmedian\)median4 S = 504560, p-value = 0.0002155 alternative hypothesis: true rho is not equal to 0 sample estimates: rho 0.2879061


INDICATEUR DE VARIATION


De même que pour la médiane, on ne travaille plus avec les individus mais avec les lignées. Les mad des lignées pour les deux âges ont été calculées et mises sous forme d’un boxplot comparable avec le précédent, il nous permet de voir la tendance générale ainsi que les lignées ayant un comportement extrême, qui ont été labellisées.

Le test de Wilcoxon a maintenant été appliqué aux mads des lignées pour l’âge 1 et l’âge. On a pu faire dans ce cas-ci aussi un test paired. Wilcoxon signed rank test with continuity correction

data: mad by age V = 6174, p-value = 0.4752 alternative hypothesis: true location shift is not equal to 0


Les graphiqueS suivant sont issus de l’indicateur de variation \(I_v = (CV_r4-CV_r1)/CV_r1)\), et représentent les mêmes données sous des formes différentes. Les lignées du graphique de droite ont été ordonnées suivant cette différence.

La normalité de la distribution de l’indicateur de variation est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmad$diff W = 0.80864, p-value = 2.727e-13


Les graphiques suivants sont semblables aux précédents, les données ‘extrêmes’ ont toutefois été enlevées afin de voir si cela améliorait la normalité de la distribution des données.

La normalité de la distribution de l’indicateur de variation (sans extrêmes) est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmad_no_outliers$diff W = 0.98739, p-value = 0.1751


Ci-dessous, on voit la correlation entre CVr4 (mad4/med4) et CVr1 (mad1/med1).

Coefficient de correlation de Spearman pour les CVrs. Spearman’s rank correlation rho

data: dfmad\(mad1 and dfmad\)mad4 S = 535090, p-value = 0.001737 alternative hypothesis: true rho is not equal to 0 sample estimates: rho 0.2448244


CORRELATION Im Iv


La corrélation Im Iv affichée ci-dessous est la corrélation entre les indicateur Im et Iv pour chacune des lignées.

Coefficient de correlation de Spearman pour la correlation Iv Im. Spearman’s rank correlation rho

data: mgmedmad\(diff.median and mgmedmad\)diff.mad S = 673810, p-value = 0.535 alternative hypothesis: true rho is not equal to 0 sample estimates: rho 0.04904447










Heartrate_Mean



Ci-dessous est affiché le barplot des lignées restantes après le second filtre. Il reste 100 % des lignées de DATA_Analysis.

Les boxplots suivants sont les valeurs du phénotype étudié pour les individus de chaque lignée, ces dernières étant ordonnées selon leur médiane. Le premier graphique est pour l’âge 1, le second pour l’âge 4.

Les valeurs phénotypiques de tous les individus sont maintenant organisées en fonction des âges, sans un regard à la lignée, afin de voir si on a une tendance générale.

Un premier test de Wilcoxon est appliquée à ces données. Si la p-valeur est inférieure à 0.05, cela signifie que les deux populations (age1, age4) ont des moyennes significativement différentes et ne suivent donc pas une même distribution. Wilcoxon rank sum test with continuity correction

data: value by age W = 2238700, p-value < 2.2e-16 alternative hypothesis: true location shift is not equal to 0


INDICATEUR DE MOYENNE


Ici, on ne travaille plus avec les individus mais avec les lignées. Les médianes des lignées pour les deux âges ont été calculées et mises sous forme d’un boxplot comparable avec le précédent, il nous permet de voir la tendance générale ainsi que les lignées ayant un comportement extrême, qui ont été labellisées.

Le test de Wilcoxon a maintenant été appliqué aux médianes des lignées pour l’âge 1 et l’âge. On a pu faire dans ce cas-ci un test paired. Wilcoxon signed rank test with continuity correction

data: median by age V = 11741, p-value < 2.2e-16 alternative hypothesis: true location shift is not equal to 0


Les graphiques suivants sont issus des indicateurs de moyenne \(I_m = (med4-med1)/med1\), et représentent les mêmes données sous des formes différentes. Les lignées du graphique de droite ont été ordonnées suivant cette différence.

La normalité de la distribution de l’indicateur de moyenne est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmedian$diff W = 0.86361, p-value = 5.871e-11


Les graphiques suivants sont semblables aux précédents, les données ‘extrêmes’ ont toutefois été enlevées afin de voir si cela améliorait la normalité de la distribution des données.

La normalité de la distribution de l’indicateur de moyenne (sans extrêmes) est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmedian_no_outliers$diff W = 0.97987, p-value = 0.02225


Ci-dessous, on voit la correlation entre l’âge 1 et l’âge 4 pour la médiane.

Coefficient de correlation de Spearman pour la médiane. Spearman’s rank correlation rho

data: dfmedian\(median1 and dfmedian\)median4 S = 451230, p-value = 2.405e-06 alternative hypothesis: true rho is not equal to 0 sample estimates: rho 0.3631713


INDICATEUR DE VARIATION


De même que pour la médiane, on ne travaille plus avec les individus mais avec les lignées. Les mad des lignées pour les deux âges ont été calculées et mises sous forme d’un boxplot comparable avec le précédent, il nous permet de voir la tendance générale ainsi que les lignées ayant un comportement extrême, qui ont été labellisées.

Le test de Wilcoxon a maintenant été appliqué aux mads des lignées pour l’âge 1 et l’âge. On a pu faire dans ce cas-ci aussi un test paired. Wilcoxon signed rank test with continuity correction

data: mad by age V = 8612, p-value = 0.0007757 alternative hypothesis: true location shift is not equal to 0


Les graphiqueS suivant sont issus de l’indicateur de variation \(I_v = (CV_r4-CV_r1)/CV_r1)\), et représentent les mêmes données sous des formes différentes. Les lignées du graphique de droite ont été ordonnées suivant cette différence.

La normalité de la distribution de l’indicateur de variation est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmad$diff W = 0.90978, p-value = 1.878e-08


Les graphiques suivants sont semblables aux précédents, les données ‘extrêmes’ ont toutefois été enlevées afin de voir si cela améliorait la normalité de la distribution des données.

La normalité de la distribution de l’indicateur de variation (sans extrêmes) est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmad_no_outliers$diff W = 0.96091, p-value = 0.0001966


Ci-dessous, on voit la correlation entre CVr4 (mad4/med4) et CVr1 (mad1/med1).

Coefficient de correlation de Spearman pour les CVrs. Spearman’s rank correlation rho

data: dfmad\(mad1 and dfmad\)mad4 S = 565140, p-value = 0.009897 alternative hypothesis: true rho is not equal to 0 sample estimates: rho 0.202406


CORRELATION Im Iv


La corrélation Im Iv affichée ci-dessous est la corrélation entre les indicateur Im et Iv pour chacune des lignées.

Coefficient de correlation de Spearman pour la correlation Iv Im. Spearman’s rank correlation rho

data: mgmedmad\(diff.median and mgmedmad\)diff.mad S = 716440, p-value = 0.8882 alternative hypothesis: true rho is not equal to 0 sample estimates: rho -0.01111972










Heartrate_Median



Ci-dessous est affiché le barplot des lignées restantes après le second filtre. Il reste 100 % des lignées de DATA_Analysis.

Les boxplots suivants sont les valeurs du phénotype étudié pour les individus de chaque lignée, ces dernières étant ordonnées selon leur médiane. Le premier graphique est pour l’âge 1, le second pour l’âge 4.

Les valeurs phénotypiques de tous les individus sont maintenant organisées en fonction des âges, sans un regard à la lignée, afin de voir si on a une tendance générale.

Un premier test de Wilcoxon est appliquée à ces données. Si la p-valeur est inférieure à 0.05, cela signifie que les deux populations (age1, age4) ont des moyennes significativement différentes et ne suivent donc pas une même distribution. Wilcoxon rank sum test with continuity correction

data: value by age W = 2242800, p-value < 2.2e-16 alternative hypothesis: true location shift is not equal to 0


INDICATEUR DE MOYENNE


Ici, on ne travaille plus avec les individus mais avec les lignées. Les médianes des lignées pour les deux âges ont été calculées et mises sous forme d’un boxplot comparable avec le précédent, il nous permet de voir la tendance générale ainsi que les lignées ayant un comportement extrême, qui ont été labellisées.

Le test de Wilcoxon a maintenant été appliqué aux médianes des lignées pour l’âge 1 et l’âge. On a pu faire dans ce cas-ci un test paired. Wilcoxon signed rank test with continuity correction

data: median by age V = 11767, p-value < 2.2e-16 alternative hypothesis: true location shift is not equal to 0


Les graphiques suivants sont issus des indicateurs de moyenne \(I_m = (med4-med1)/med1\), et représentent les mêmes données sous des formes différentes. Les lignées du graphique de droite ont été ordonnées suivant cette différence.

La normalité de la distribution de l’indicateur de moyenne est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmedian$diff W = 0.87082, p-value = 1.315e-10


Les graphiques suivants sont semblables aux précédents, les données ‘extrêmes’ ont toutefois été enlevées afin de voir si cela améliorait la normalité de la distribution des données.

La normalité de la distribution de l’indicateur de moyenne (sans extrêmes) est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmedian_no_outliers$diff W = 0.98377, p-value = 0.06756


Ci-dessous, on voit la correlation entre l’âge 1 et l’âge 4 pour la médiane.

Coefficient de correlation de Spearman pour la médiane. Spearman’s rank correlation rho

data: dfmedian\(median1 and dfmedian\)median4 S = 439750, p-value = 7.836e-07 alternative hypothesis: true rho is not equal to 0 sample estimates: rho 0.3793731


INDICATEUR DE VARIATION


De même que pour la médiane, on ne travaille plus avec les individus mais avec les lignées. Les mad des lignées pour les deux âges ont été calculées et mises sous forme d’un boxplot comparable avec le précédent, il nous permet de voir la tendance générale ainsi que les lignées ayant un comportement extrême, qui ont été labellisées.

Le test de Wilcoxon a maintenant été appliqué aux mads des lignées pour l’âge 1 et l’âge. On a pu faire dans ce cas-ci aussi un test paired. Wilcoxon signed rank test with continuity correction

data: mad by age V = 8632, p-value = 0.0006869 alternative hypothesis: true location shift is not equal to 0


Les graphiqueS suivant sont issus de l’indicateur de variation \(I_v = (CV_r4-CV_r1)/CV_r1)\), et représentent les mêmes données sous des formes différentes. Les lignées du graphique de droite ont été ordonnées suivant cette différence.

La normalité de la distribution de l’indicateur de variation est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmad$diff W = 0.92709, p-value = 2.621e-07


Les graphiques suivants sont semblables aux précédents, les données ‘extrêmes’ ont toutefois été enlevées afin de voir si cela améliorait la normalité de la distribution des données.

La normalité de la distribution de l’indicateur de variation (sans extrêmes) est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmad_no_outliers$diff W = 0.95294, p-value = 3.644e-05


Ci-dessous, on voit la correlation entre CVr4 (mad4/med4) et CVr1 (mad1/med1).

Coefficient de correlation de Spearman pour les CVrs. Spearman’s rank correlation rho

data: dfmad\(mad1 and dfmad\)mad4 S = 559470, p-value = 0.00729 alternative hypothesis: true rho is not equal to 0 sample estimates: rho 0.2104194


CORRELATION Im Iv


La corrélation Im Iv affichée ci-dessous est la corrélation entre les indicateur Im et Iv pour chacune des lignées.

Coefficient de correlation de Spearman pour la correlation Iv Im. Spearman’s rank correlation rho

data: mgmedmad\(diff.median and mgmedmad\)diff.mad S = 757470, p-value = 0.3823 alternative hypothesis: true rho is not equal to 0 sample estimates: rho -0.06903146










Heartrate_StdDev



Ci-dessous est affiché le barplot des lignées restantes après le second filtre. Il reste 100 % des lignées de DATA_Analysis.

Les boxplots suivants sont les valeurs du phénotype étudié pour les individus de chaque lignée, ces dernières étant ordonnées selon leur médiane. Le premier graphique est pour l’âge 1, le second pour l’âge 4.

Les valeurs phénotypiques de tous les individus sont maintenant organisées en fonction des âges, sans un regard à la lignée, afin de voir si on a une tendance générale.

Un premier test de Wilcoxon est appliquée à ces données. Si la p-valeur est inférieure à 0.05, cela signifie que les deux populations (age1, age4) ont des moyennes significativement différentes et ne suivent donc pas une même distribution. Wilcoxon rank sum test with continuity correction

data: value by age W = 1804100, p-value = 3.054e-06 alternative hypothesis: true location shift is not equal to 0


INDICATEUR DE MOYENNE


Ici, on ne travaille plus avec les individus mais avec les lignées. Les médianes des lignées pour les deux âges ont été calculées et mises sous forme d’un boxplot comparable avec le précédent, il nous permet de voir la tendance générale ainsi que les lignées ayant un comportement extrême, qui ont été labellisées.

Le test de Wilcoxon a maintenant été appliqué aux médianes des lignées pour l’âge 1 et l’âge. On a pu faire dans ce cas-ci un test paired. Wilcoxon signed rank test with continuity correction

data: median by age V = 8662, p-value = 0.0005712 alternative hypothesis: true location shift is not equal to 0


Les graphiques suivants sont issus des indicateurs de moyenne \(I_m = (med4-med1)/med1\), et représentent les mêmes données sous des formes différentes. Les lignées du graphique de droite ont été ordonnées suivant cette différence.

La normalité de la distribution de l’indicateur de moyenne est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmedian$diff W = 0.827, p-value = 1.435e-12


Les graphiques suivants sont semblables aux précédents, les données ‘extrêmes’ ont toutefois été enlevées afin de voir si cela améliorait la normalité de la distribution des données.

La normalité de la distribution de l’indicateur de moyenne (sans extrêmes) est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmedian_no_outliers$diff W = 0.94775, p-value = 1.89e-05


Ci-dessous, on voit la correlation entre l’âge 1 et l’âge 4 pour la médiane.

Coefficient de correlation de Spearman pour la médiane. Spearman’s rank correlation rho

data: dfmedian\(median1 and dfmedian\)median4 S = 484360, p-value = 4.483e-05 alternative hypothesis: true rho is not equal to 0 sample estimates: rho 0.3164117


INDICATEUR DE VARIATION


De même que pour la médiane, on ne travaille plus avec les individus mais avec les lignées. Les mad des lignées pour les deux âges ont été calculées et mises sous forme d’un boxplot comparable avec le précédent, il nous permet de voir la tendance générale ainsi que les lignées ayant un comportement extrême, qui ont été labellisées.

Le test de Wilcoxon a maintenant été appliqué aux mads des lignées pour l’âge 1 et l’âge. On a pu faire dans ce cas-ci aussi un test paired. Wilcoxon signed rank test with continuity correction

data: mad by age V = 8042, p-value = 0.01604 alternative hypothesis: true location shift is not equal to 0


Les graphiqueS suivant sont issus de l’indicateur de variation \(I_v = (CV_r4-CV_r1)/CV_r1)\), et représentent les mêmes données sous des formes différentes. Les lignées du graphique de droite ont été ordonnées suivant cette différence.

La normalité de la distribution de l’indicateur de variation est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmad$diff W = 0.92501, p-value = 1.874e-07


Les graphiques suivants sont semblables aux précédents, les données ‘extrêmes’ ont toutefois été enlevées afin de voir si cela améliorait la normalité de la distribution des données.

La normalité de la distribution de l’indicateur de variation (sans extrêmes) est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmad_no_outliers$diff W = 0.953, p-value = 3.691e-05


Ci-dessous, on voit la correlation entre CVr4 (mad4/med4) et CVr1 (mad1/med1).

Coefficient de correlation de Spearman pour les CVrs. Spearman’s rank correlation rho

data: dfmad\(mad1 and dfmad\)mad4 S = 535530, p-value = 0.001787 alternative hypothesis: true rho is not equal to 0 sample estimates: rho 0.2441977


CORRELATION Im Iv


La corrélation Im Iv affichée ci-dessous est la corrélation entre les indicateur Im et Iv pour chacune des lignées.

Coefficient de correlation de Spearman pour la correlation Iv Im. Spearman’s rank correlation rho

data: mgmedmad\(diff.median and mgmedmad\)diff.mad S = 745330, p-value = 0.5116 alternative hypothesis: true rho is not equal to 0 sample estimates: rho -0.0518925










Heartrate_StdDevOnMedian



Ci-dessous est affiché le barplot des lignées restantes après le second filtre. Il reste 100 % des lignées de DATA_Analysis.

Les boxplots suivants sont les valeurs du phénotype étudié pour les individus de chaque lignée, ces dernières étant ordonnées selon leur médiane. Le premier graphique est pour l’âge 1, le second pour l’âge 4.

Les valeurs phénotypiques de tous les individus sont maintenant organisées en fonction des âges, sans un regard à la lignée, afin de voir si on a une tendance générale.

Un premier test de Wilcoxon est appliquée à ces données. Si la p-valeur est inférieure à 0.05, cela signifie que les deux populations (age1, age4) ont des moyennes significativement différentes et ne suivent donc pas une même distribution. Wilcoxon rank sum test with continuity correction

data: value by age W = 1522400, p-value = 2.45e-05 alternative hypothesis: true location shift is not equal to 0


INDICATEUR DE MOYENNE


Ici, on ne travaille plus avec les individus mais avec les lignées. Les médianes des lignées pour les deux âges ont été calculées et mises sous forme d’un boxplot comparable avec le précédent, il nous permet de voir la tendance générale ainsi que les lignées ayant un comportement extrême, qui ont été labellisées.

Le test de Wilcoxon a maintenant été appliqué aux médianes des lignées pour l’âge 1 et l’âge. On a pu faire dans ce cas-ci un test paired. Wilcoxon signed rank test with continuity correction

data: median by age V = 5073, p-value = 0.01061 alternative hypothesis: true location shift is not equal to 0


Les graphiques suivants sont issus des indicateurs de moyenne \(I_m = (med4-med1)/med1\), et représentent les mêmes données sous des formes différentes. Les lignées du graphique de droite ont été ordonnées suivant cette différence.

La normalité de la distribution de l’indicateur de moyenne est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmedian$diff W = 0.88005, p-value = 3.867e-10


Les graphiques suivants sont semblables aux précédents, les données ‘extrêmes’ ont toutefois été enlevées afin de voir si cela améliorait la normalité de la distribution des données.

La normalité de la distribution de l’indicateur de moyenne (sans extrêmes) est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmedian_no_outliers$diff W = 0.95433, p-value = 6.432e-05


Ci-dessous, on voit la correlation entre l’âge 1 et l’âge 4 pour la médiane.

Coefficient de correlation de Spearman pour la médiane. Spearman’s rank correlation rho

data: dfmedian\(median1 and dfmedian\)median4 S = 460110, p-value = 5.507e-06 alternative hypothesis: true rho is not equal to 0 sample estimates: rho 0.3506388


INDICATEUR DE VARIATION


De même que pour la médiane, on ne travaille plus avec les individus mais avec les lignées. Les mad des lignées pour les deux âges ont été calculées et mises sous forme d’un boxplot comparable avec le précédent, il nous permet de voir la tendance générale ainsi que les lignées ayant un comportement extrême, qui ont été labellisées.

Le test de Wilcoxon a maintenant été appliqué aux mads des lignées pour l’âge 1 et l’âge. On a pu faire dans ce cas-ci aussi un test paired. Wilcoxon signed rank test with continuity correction

data: mad by age V = 5039, p-value = 0.008998 alternative hypothesis: true location shift is not equal to 0


Les graphiqueS suivant sont issus de l’indicateur de variation \(I_v = (CV_r4-CV_r1)/CV_r1)\), et représentent les mêmes données sous des formes différentes. Les lignées du graphique de droite ont été ordonnées suivant cette différence.

La normalité de la distribution de l’indicateur de variation est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmad$diff W = 0.8787, p-value = 3.289e-10


Les graphiques suivants sont semblables aux précédents, les données ‘extrêmes’ ont toutefois été enlevées afin de voir si cela améliorait la normalité de la distribution des données.

La normalité de la distribution de l’indicateur de variation (sans extrêmes) est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmad_no_outliers$diff W = 0.94647, p-value = 1.396e-05


Ci-dessous, on voit la correlation entre CVr4 (mad4/med4) et CVr1 (mad1/med1).

Coefficient de correlation de Spearman pour les CVrs. Spearman’s rank correlation rho

data: dfmad\(mad1 and dfmad\)mad4 S = 596280, p-value = 0.0441 alternative hypothesis: true rho is not equal to 0 sample estimates: rho 0.1584578


CORRELATION Im Iv


La corrélation Im Iv affichée ci-dessous est la corrélation entre les indicateur Im et Iv pour chacune des lignées.

Coefficient de correlation de Spearman pour la correlation Iv Im. Spearman’s rank correlation rho

data: mgmedmad\(diff.median and mgmedmad\)diff.mad S = 892970, p-value = 0.0008544 alternative hypothesis: true rho is not equal to 0 sample estimates: rho -0.2602641










NormalizedIntervals_Mean



Ci-dessous est affiché le barplot des lignées restantes après le second filtre. Il reste 100 % des lignées de DATA_Analysis.

Les boxplots suivants sont les valeurs du phénotype étudié pour les individus de chaque lignée, ces dernières étant ordonnées selon leur médiane. Le premier graphique est pour l’âge 1, le second pour l’âge 4.

Les valeurs phénotypiques de tous les individus sont maintenant organisées en fonction des âges, sans un regard à la lignée, afin de voir si on a une tendance générale.

Un premier test de Wilcoxon est appliquée à ces données. Si la p-valeur est inférieure à 0.05, cela signifie que les deux populations (age1, age4) ont des moyennes significativement différentes et ne suivent donc pas une même distribution. Wilcoxon rank sum test with continuity correction

data: value by age W = 1739100, p-value = 0.01156 alternative hypothesis: true location shift is not equal to 0


INDICATEUR DE MOYENNE


Ici, on ne travaille plus avec les individus mais avec les lignées. Les médianes des lignées pour les deux âges ont été calculées et mises sous forme d’un boxplot comparable avec le précédent, il nous permet de voir la tendance générale ainsi que les lignées ayant un comportement extrême, qui ont été labellisées.

Le test de Wilcoxon a maintenant été appliqué aux médianes des lignées pour l’âge 1 et l’âge. On a pu faire dans ce cas-ci un test paired. Wilcoxon signed rank test with continuity correction

data: median by age V = 7627, p-value = 0.08651 alternative hypothesis: true location shift is not equal to 0


Les graphiques suivants sont issus des indicateurs de moyenne \(I_m = (med4-med1)/med1\), et représentent les mêmes données sous des formes différentes. Les lignées du graphique de droite ont été ordonnées suivant cette différence.

La normalité de la distribution de l’indicateur de moyenne est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmedian$diff W = 0.90855, p-value = 1.575e-08


Les graphiques suivants sont semblables aux précédents, les données ‘extrêmes’ ont toutefois été enlevées afin de voir si cela améliorait la normalité de la distribution des données.

La normalité de la distribution de l’indicateur de moyenne (sans extrêmes) est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmedian_no_outliers$diff W = 0.97121, p-value = 0.002482


Ci-dessous, on voit la correlation entre l’âge 1 et l’âge 4 pour la médiane.

Coefficient de correlation de Spearman pour la médiane. Spearman’s rank correlation rho

data: dfmedian\(median1 and dfmedian\)median4 S = 393330, p-value = 4.418e-09 alternative hypothesis: true rho is not equal to 0 sample estimates: rho 0.4448918


INDICATEUR DE VARIATION


De même que pour la médiane, on ne travaille plus avec les individus mais avec les lignées. Les mad des lignées pour les deux âges ont été calculées et mises sous forme d’un boxplot comparable avec le précédent, il nous permet de voir la tendance générale ainsi que les lignées ayant un comportement extrême, qui ont été labellisées.

Le test de Wilcoxon a maintenant été appliqué aux mads des lignées pour l’âge 1 et l’âge. On a pu faire dans ce cas-ci aussi un test paired. Wilcoxon signed rank test with continuity correction

data: mad by age V = 6388, p-value = 0.7217 alternative hypothesis: true location shift is not equal to 0


Les graphiqueS suivant sont issus de l’indicateur de variation \(I_v = (CV_r4-CV_r1)/CV_r1)\), et représentent les mêmes données sous des formes différentes. Les lignées du graphique de droite ont été ordonnées suivant cette différence.

La normalité de la distribution de l’indicateur de variation est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmad$diff W = 0.7674, p-value = 9.466e-15


Les graphiques suivants sont semblables aux précédents, les données ‘extrêmes’ ont toutefois été enlevées afin de voir si cela améliorait la normalité de la distribution des données.

La normalité de la distribution de l’indicateur de variation (sans extrêmes) est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmad_no_outliers$diff W = 0.9353, p-value = 1.676e-06


Ci-dessous, on voit la correlation entre CVr4 (mad4/med4) et CVr1 (mad1/med1).

Coefficient de correlation de Spearman pour les CVrs. Spearman’s rank correlation rho

data: dfmad\(mad1 and dfmad\)mad4 S = 551450, p-value = 0.00465 alternative hypothesis: true rho is not equal to 0 sample estimates: rho 0.2217353


CORRELATION Im Iv


La corrélation Im Iv affichée ci-dessous est la corrélation entre les indicateur Im et Iv pour chacune des lignées.

Coefficient de correlation de Spearman pour la correlation Iv Im. Spearman’s rank correlation rho

data: mgmedmad\(diff.median and mgmedmad\)diff.mad S = 640550, p-value = 0.2241 alternative hypothesis: true rho is not equal to 0 sample estimates: rho 0.0959875










NormalizedIntervals_Median



Ci-dessous est affiché le barplot des lignées restantes après le second filtre. Il reste 100 % des lignées de DATA_Analysis.

Les boxplots suivants sont les valeurs du phénotype étudié pour les individus de chaque lignée, ces dernières étant ordonnées selon leur médiane. Le premier graphique est pour l’âge 1, le second pour l’âge 4.

Les valeurs phénotypiques de tous les individus sont maintenant organisées en fonction des âges, sans un regard à la lignée, afin de voir si on a une tendance générale.

Un premier test de Wilcoxon est appliquée à ces données. Si la p-valeur est inférieure à 0.05, cela signifie que les deux populations (age1, age4) ont des moyennes significativement différentes et ne suivent donc pas une même distribution. Wilcoxon rank sum test with continuity correction

data: value by age W = 1806400, p-value = 3.381e-06 alternative hypothesis: true location shift is not equal to 0


INDICATEUR DE MOYENNE


Ici, on ne travaille plus avec les individus mais avec les lignées. Les médianes des lignées pour les deux âges ont été calculées et mises sous forme d’un boxplot comparable avec le précédent, il nous permet de voir la tendance générale ainsi que les lignées ayant un comportement extrême, qui ont été labellisées.

Le test de Wilcoxon a maintenant été appliqué aux médianes des lignées pour l’âge 1 et l’âge. On a pu faire dans ce cas-ci un test paired. Wilcoxon signed rank test with continuity correction

data: median by age V = 8307, p-value = 0.004355 alternative hypothesis: true location shift is not equal to 0


Les graphiques suivants sont issus des indicateurs de moyenne \(I_m = (med4-med1)/med1\), et représentent les mêmes données sous des formes différentes. Les lignées du graphique de droite ont été ordonnées suivant cette différence.

La normalité de la distribution de l’indicateur de moyenne est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmedian$diff W = 0.92319, p-value = 1.406e-07


Les graphiques suivants sont semblables aux précédents, les données ‘extrêmes’ ont toutefois été enlevées afin de voir si cela améliorait la normalité de la distribution des données.

La normalité de la distribution de l’indicateur de moyenne (sans extrêmes) est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmedian_no_outliers$diff W = 0.95472, p-value = 5.246e-05


Ci-dessous, on voit la correlation entre l’âge 1 et l’âge 4 pour la médiane.

Coefficient de correlation de Spearman pour la médiane. Spearman’s rank correlation rho

data: dfmedian\(median1 and dfmedian\)median4 S = 413990, p-value = 5.082e-08 alternative hypothesis: true rho is not equal to 0 sample estimates: rho 0.4157341


INDICATEUR DE VARIATION


De même que pour la médiane, on ne travaille plus avec les individus mais avec les lignées. Les mad des lignées pour les deux âges ont été calculées et mises sous forme d’un boxplot comparable avec le précédent, il nous permet de voir la tendance générale ainsi que les lignées ayant un comportement extrême, qui ont été labellisées.

Le test de Wilcoxon a maintenant été appliqué aux mads des lignées pour l’âge 1 et l’âge. On a pu faire dans ce cas-ci aussi un test paired. Wilcoxon signed rank test with continuity correction

data: mad by age V = 7034, p-value = 0.47 alternative hypothesis: true location shift is not equal to 0


Les graphiqueS suivant sont issus de l’indicateur de variation \(I_v = (CV_r4-CV_r1)/CV_r1)\), et représentent les mêmes données sous des formes différentes. Les lignées du graphique de droite ont été ordonnées suivant cette différence.

La normalité de la distribution de l’indicateur de variation est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmad$diff W = 0.85958, p-value = 3.784e-11


Les graphiques suivants sont semblables aux précédents, les données ‘extrêmes’ ont toutefois été enlevées afin de voir si cela améliorait la normalité de la distribution des données.

La normalité de la distribution de l’indicateur de variation (sans extrêmes) est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmad_no_outliers$diff W = 0.96964, p-value = 0.001694


Ci-dessous, on voit la correlation entre CVr4 (mad4/med4) et CVr1 (mad1/med1).

Coefficient de correlation de Spearman pour les CVrs. Spearman’s rank correlation rho

data: dfmad\(mad1 and dfmad\)mad4 S = 568470, p-value = 0.01178 alternative hypothesis: true rho is not equal to 0 sample estimates: rho 0.1977063


CORRELATION Im Iv


La corrélation Im Iv affichée ci-dessous est la corrélation entre les indicateur Im et Iv pour chacune des lignées.

Coefficient de correlation de Spearman pour la correlation Iv Im. Spearman’s rank correlation rho

data: mgmedmad\(diff.median and mgmedmad\)diff.mad S = 707080, p-value = 0.9789 alternative hypothesis: true rho is not equal to 0 sample estimates: rho 0.002090152










NormalizedIntervals_StdDev



Ci-dessous est affiché le barplot des lignées restantes après le second filtre. Il reste 100 % des lignées de DATA_Analysis.

Les boxplots suivants sont les valeurs du phénotype étudié pour les individus de chaque lignée, ces dernières étant ordonnées selon leur médiane. Le premier graphique est pour l’âge 1, le second pour l’âge 4.

Les valeurs phénotypiques de tous les individus sont maintenant organisées en fonction des âges, sans un regard à la lignée, afin de voir si on a une tendance générale.

Un premier test de Wilcoxon est appliquée à ces données. Si la p-valeur est inférieure à 0.05, cela signifie que les deux populations (age1, age4) ont des moyennes significativement différentes et ne suivent donc pas une même distribution. Wilcoxon rank sum test with continuity correction

data: value by age W = 1630400, p-value = 0.4157 alternative hypothesis: true location shift is not equal to 0


INDICATEUR DE MOYENNE


Ici, on ne travaille plus avec les individus mais avec les lignées. Les médianes des lignées pour les deux âges ont été calculées et mises sous forme d’un boxplot comparable avec le précédent, il nous permet de voir la tendance générale ainsi que les lignées ayant un comportement extrême, qui ont été labellisées.

Le test de Wilcoxon a maintenant été appliqué aux médianes des lignées pour l’âge 1 et l’âge. On a pu faire dans ce cas-ci un test paired. Wilcoxon signed rank test with continuity correction

data: median by age V = 6039, p-value = 0.3473 alternative hypothesis: true location shift is not equal to 0


Les graphiques suivants sont issus des indicateurs de moyenne \(I_m = (med4-med1)/med1\), et représentent les mêmes données sous des formes différentes. Les lignées du graphique de droite ont été ordonnées suivant cette différence.

La normalité de la distribution de l’indicateur de moyenne est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmedian$diff W = 0.64575, p-value < 2.2e-16


Les graphiques suivants sont semblables aux précédents, les données ‘extrêmes’ ont toutefois été enlevées afin de voir si cela améliorait la normalité de la distribution des données.

La normalité de la distribution de l’indicateur de moyenne (sans extrêmes) est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmedian_no_outliers$diff W = 0.93095, p-value = 1.243e-06


Ci-dessous, on voit la correlation entre l’âge 1 et l’âge 4 pour la médiane.

Coefficient de correlation de Spearman pour la médiane. Spearman’s rank correlation rho

data: dfmedian\(median1 and dfmedian\)median4 S = 434170, p-value = 4.447e-07 alternative hypothesis: true rho is not equal to 0 sample estimates: rho 0.3872511


INDICATEUR DE VARIATION


De même que pour la médiane, on ne travaille plus avec les individus mais avec les lignées. Les mad des lignées pour les deux âges ont été calculées et mises sous forme d’un boxplot comparable avec le précédent, il nous permet de voir la tendance générale ainsi que les lignées ayant un comportement extrême, qui ont été labellisées.

Le test de Wilcoxon a maintenant été appliqué aux mads des lignées pour l’âge 1 et l’âge. On a pu faire dans ce cas-ci aussi un test paired. Wilcoxon signed rank test with continuity correction

data: mad by age V = 5877, p-value = 0.226 alternative hypothesis: true location shift is not equal to 0


Les graphiqueS suivant sont issus de l’indicateur de variation \(I_v = (CV_r4-CV_r1)/CV_r1)\), et représentent les mêmes données sous des formes différentes. Les lignées du graphique de droite ont été ordonnées suivant cette différence.

La normalité de la distribution de l’indicateur de variation est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmad$diff W = 0.88212, p-value = 4.96e-10


Les graphiques suivants sont semblables aux précédents, les données ‘extrêmes’ ont toutefois été enlevées afin de voir si cela améliorait la normalité de la distribution des données.

La normalité de la distribution de l’indicateur de variation (sans extrêmes) est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmad_no_outliers$diff W = 0.97329, p-value = 0.003839


Ci-dessous, on voit la correlation entre CVr4 (mad4/med4) et CVr1 (mad1/med1).

Coefficient de correlation de Spearman pour les CVrs. Spearman’s rank correlation rho

data: dfmad\(mad1 and dfmad\)mad4 S = 496930, p-value = 0.0001212 alternative hypothesis: true rho is not equal to 0 sample estimates: rho 0.29868


CORRELATION Im Iv


La corrélation Im Iv affichée ci-dessous est la corrélation entre les indicateur Im et Iv pour chacune des lignées.

Coefficient de correlation de Spearman pour la correlation Iv Im. Spearman’s rank correlation rho

data: mgmedmad\(diff.median and mgmedmad\)diff.mad S = 502800, p-value = 0.0001891 alternative hypothesis: true rho is not equal to 0 sample estimates: rho 0.2903871










NormalizedIntervals_StdDevOnMedian



Ci-dessous est affiché le barplot des lignées restantes après le second filtre. Il reste 100 % des lignées de DATA_Analysis.

Les boxplots suivants sont les valeurs du phénotype étudié pour les individus de chaque lignée, ces dernières étant ordonnées selon leur médiane. Le premier graphique est pour l’âge 1, le second pour l’âge 4.

Les valeurs phénotypiques de tous les individus sont maintenant organisées en fonction des âges, sans un regard à la lignée, afin de voir si on a une tendance générale.

Un premier test de Wilcoxon est appliquée à ces données. Si la p-valeur est inférieure à 0.05, cela signifie que les deux populations (age1, age4) ont des moyennes significativement différentes et ne suivent donc pas une même distribution. Wilcoxon rank sum test with continuity correction

data: value by age W = 1559700, p-value = 0.00234 alternative hypothesis: true location shift is not equal to 0


INDICATEUR DE MOYENNE


Ici, on ne travaille plus avec les individus mais avec les lignées. Les médianes des lignées pour les deux âges ont été calculées et mises sous forme d’un boxplot comparable avec le précédent, il nous permet de voir la tendance générale ainsi que les lignées ayant un comportement extrême, qui ont été labellisées.

Le test de Wilcoxon a maintenant été appliqué aux médianes des lignées pour l’âge 1 et l’âge. On a pu faire dans ce cas-ci un test paired. Wilcoxon signed rank test with continuity correction

data: median by age V = 5646, p-value = 0.1103 alternative hypothesis: true location shift is not equal to 0


Les graphiques suivants sont issus des indicateurs de moyenne \(I_m = (med4-med1)/med1\), et représentent les mêmes données sous des formes différentes. Les lignées du graphique de droite ont été ordonnées suivant cette différence.

La normalité de la distribution de l’indicateur de moyenne est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmedian$diff W = 0.80784, p-value = 2.543e-13


Les graphiques suivants sont semblables aux précédents, les données ‘extrêmes’ ont toutefois été enlevées afin de voir si cela améliorait la normalité de la distribution des données.

La normalité de la distribution de l’indicateur de moyenne (sans extrêmes) est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmedian_no_outliers$diff W = 0.91549, p-value = 1.393e-07


Ci-dessous, on voit la correlation entre l’âge 1 et l’âge 4 pour la médiane.

Coefficient de correlation de Spearman pour la médiane. Spearman’s rank correlation rho

data: dfmedian\(median1 and dfmedian\)median4 S = 459960, p-value = 5.429e-06 alternative hypothesis: true rho is not equal to 0 sample estimates: rho 0.350859


INDICATEUR DE VARIATION


De même que pour la médiane, on ne travaille plus avec les individus mais avec les lignées. Les mad des lignées pour les deux âges ont été calculées et mises sous forme d’un boxplot comparable avec le précédent, il nous permet de voir la tendance générale ainsi que les lignées ayant un comportement extrême, qui ont été labellisées.

Le test de Wilcoxon a maintenant été appliqué aux mads des lignées pour l’âge 1 et l’âge. On a pu faire dans ce cas-ci aussi un test paired. Wilcoxon signed rank test with continuity correction

data: mad by age V = 5583, p-value = 0.08868 alternative hypothesis: true location shift is not equal to 0


Les graphiqueS suivant sont issus de l’indicateur de variation \(I_v = (CV_r4-CV_r1)/CV_r1)\), et représentent les mêmes données sous des formes différentes. Les lignées du graphique de droite ont été ordonnées suivant cette différence.

La normalité de la distribution de l’indicateur de variation est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmad$diff W = 0.84998, p-value = 1.374e-11


Les graphiques suivants sont semblables aux précédents, les données ‘extrêmes’ ont toutefois été enlevées afin de voir si cela améliorait la normalité de la distribution des données.

La normalité de la distribution de l’indicateur de variation (sans extrêmes) est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmad_no_outliers$diff W = 0.93413, p-value = 1.197e-06


Ci-dessous, on voit la correlation entre CVr4 (mad4/med4) et CVr1 (mad1/med1).

Coefficient de correlation de Spearman pour les CVrs. Spearman’s rank correlation rho

data: dfmad\(mad1 and dfmad\)mad4 S = 551650, p-value = 0.004705 alternative hypothesis: true rho is not equal to 0 sample estimates: rho 0.2214446


CORRELATION Im Iv


La corrélation Im Iv affichée ci-dessous est la corrélation entre les indicateur Im et Iv pour chacune des lignées.

Coefficient de correlation de Spearman pour la correlation Iv Im. Spearman’s rank correlation rho

data: mgmedmad\(diff.median and mgmedmad\)diff.mad S = 598550, p-value = 0.0486 alternative hypothesis: true rho is not equal to 0 sample estimates: rho 0.1552569










SD_on_Median_Heartperiod



Ci-dessous est affiché le barplot des lignées restantes après le second filtre. Il reste 100 % des lignées de DATA_Analysis.

Les boxplots suivants sont les valeurs du phénotype étudié pour les individus de chaque lignée, ces dernières étant ordonnées selon leur médiane. Le premier graphique est pour l’âge 1, le second pour l’âge 4.

Les valeurs phénotypiques de tous les individus sont maintenant organisées en fonction des âges, sans un regard à la lignée, afin de voir si on a une tendance générale.

Un premier test de Wilcoxon est appliquée à ces données. Si la p-valeur est inférieure à 0.05, cela signifie que les deux populations (age1, age4) ont des moyennes significativement différentes et ne suivent donc pas une même distribution. Wilcoxon rank sum test with continuity correction

data: value by age W = 1570700, p-value = 0.007043 alternative hypothesis: true location shift is not equal to 0


INDICATEUR DE MOYENNE


Ici, on ne travaille plus avec les individus mais avec les lignées. Les médianes des lignées pour les deux âges ont été calculées et mises sous forme d’un boxplot comparable avec le précédent, il nous permet de voir la tendance générale ainsi que les lignées ayant un comportement extrême, qui ont été labellisées.

Le test de Wilcoxon a maintenant été appliqué aux médianes des lignées pour l’âge 1 et l’âge. On a pu faire dans ce cas-ci un test paired. Wilcoxon signed rank test with continuity correction

data: median by age V = 5586, p-value = 0.08963 alternative hypothesis: true location shift is not equal to 0


Les graphiques suivants sont issus des indicateurs de moyenne \(I_m = (med4-med1)/med1\), et représentent les mêmes données sous des formes différentes. Les lignées du graphique de droite ont été ordonnées suivant cette différence.

La normalité de la distribution de l’indicateur de moyenne est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmedian$diff W = 0.81969, p-value = 7.303e-13


Les graphiques suivants sont semblables aux précédents, les données ‘extrêmes’ ont toutefois été enlevées afin de voir si cela améliorait la normalité de la distribution des données.

La normalité de la distribution de l’indicateur de moyenne (sans extrêmes) est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmedian_no_outliers$diff W = 0.93, p-value = 8.004e-07


Ci-dessous, on voit la correlation entre l’âge 1 et l’âge 4 pour la médiane.

Coefficient de correlation de Spearman pour la médiane. Spearman’s rank correlation rho

data: dfmedian\(median1 and dfmedian\)median4 S = 504560, p-value = 0.0002155 alternative hypothesis: true rho is not equal to 0 sample estimates: rho 0.2879061


INDICATEUR DE VARIATION


De même que pour la médiane, on ne travaille plus avec les individus mais avec les lignées. Les mad des lignées pour les deux âges ont été calculées et mises sous forme d’un boxplot comparable avec le précédent, il nous permet de voir la tendance générale ainsi que les lignées ayant un comportement extrême, qui ont été labellisées.

Le test de Wilcoxon a maintenant été appliqué aux mads des lignées pour l’âge 1 et l’âge. On a pu faire dans ce cas-ci aussi un test paired. Wilcoxon signed rank test with continuity correction

data: mad by age V = 6174, p-value = 0.4752 alternative hypothesis: true location shift is not equal to 0


Les graphiqueS suivant sont issus de l’indicateur de variation \(I_v = (CV_r4-CV_r1)/CV_r1)\), et représentent les mêmes données sous des formes différentes. Les lignées du graphique de droite ont été ordonnées suivant cette différence.

La normalité de la distribution de l’indicateur de variation est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmad$diff W = 0.80864, p-value = 2.727e-13


Les graphiques suivants sont semblables aux précédents, les données ‘extrêmes’ ont toutefois été enlevées afin de voir si cela améliorait la normalité de la distribution des données.

La normalité de la distribution de l’indicateur de variation (sans extrêmes) est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmad_no_outliers$diff W = 0.98739, p-value = 0.1751


Ci-dessous, on voit la correlation entre CVr4 (mad4/med4) et CVr1 (mad1/med1).

Coefficient de correlation de Spearman pour les CVrs. Spearman’s rank correlation rho

data: dfmad\(mad1 and dfmad\)mad4 S = 535090, p-value = 0.001737 alternative hypothesis: true rho is not equal to 0 sample estimates: rho 0.2448244


CORRELATION Im Iv


La corrélation Im Iv affichée ci-dessous est la corrélation entre les indicateur Im et Iv pour chacune des lignées.

Coefficient de correlation de Spearman pour la correlation Iv Im. Spearman’s rank correlation rho

data: mgmedmad\(diff.median and mgmedmad\)diff.mad S = 673810, p-value = 0.535 alternative hypothesis: true rho is not equal to 0 sample estimates: rho 0.04904447










SI_on_DI_Mean



Ci-dessous est affiché le barplot des lignées restantes après le second filtre. Il reste 100 % des lignées de DATA_Analysis.

Les boxplots suivants sont les valeurs du phénotype étudié pour les individus de chaque lignée, ces dernières étant ordonnées selon leur médiane. Le premier graphique est pour l’âge 1, le second pour l’âge 4.

Les valeurs phénotypiques de tous les individus sont maintenant organisées en fonction des âges, sans un regard à la lignée, afin de voir si on a une tendance générale.

Un premier test de Wilcoxon est appliquée à ces données. Si la p-valeur est inférieure à 0.05, cela signifie que les deux populations (age1, age4) ont des moyennes significativement différentes et ne suivent donc pas une même distribution. Wilcoxon rank sum test with continuity correction

data: value by age W = 1789200, p-value = 4.057e-05 alternative hypothesis: true location shift is not equal to 0


INDICATEUR DE MOYENNE


Ici, on ne travaille plus avec les individus mais avec les lignées. Les médianes des lignées pour les deux âges ont été calculées et mises sous forme d’un boxplot comparable avec le précédent, il nous permet de voir la tendance générale ainsi que les lignées ayant un comportement extrême, qui ont été labellisées.

Le test de Wilcoxon a maintenant été appliqué aux médianes des lignées pour l’âge 1 et l’âge. On a pu faire dans ce cas-ci un test paired. Wilcoxon signed rank test with continuity correction

data: median by age V = 8234, p-value = 0.006349 alternative hypothesis: true location shift is not equal to 0


Les graphiques suivants sont issus des indicateurs de moyenne \(I_m = (med4-med1)/med1\), et représentent les mêmes données sous des formes différentes. Les lignées du graphique de droite ont été ordonnées suivant cette différence.

La normalité de la distribution de l’indicateur de moyenne est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmedian$diff W = 0.89978, p-value = 4.697e-09


Les graphiques suivants sont semblables aux précédents, les données ‘extrêmes’ ont toutefois été enlevées afin de voir si cela améliorait la normalité de la distribution des données.

La normalité de la distribution de l’indicateur de moyenne (sans extrêmes) est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmedian_no_outliers$diff W = 0.96975, p-value = 0.001596


Ci-dessous, on voit la correlation entre l’âge 1 et l’âge 4 pour la médiane.

Coefficient de correlation de Spearman pour la médiane. Spearman’s rank correlation rho

data: dfmedian\(median1 and dfmedian\)median4 S = 374720, p-value = 3.681e-10 alternative hypothesis: true rho is not equal to 0 sample estimates: rho 0.4711592


INDICATEUR DE VARIATION


De même que pour la médiane, on ne travaille plus avec les individus mais avec les lignées. Les mad des lignées pour les deux âges ont été calculées et mises sous forme d’un boxplot comparable avec le précédent, il nous permet de voir la tendance générale ainsi que les lignées ayant un comportement extrême, qui ont été labellisées.

Le test de Wilcoxon a maintenant été appliqué aux mads des lignées pour l’âge 1 et l’âge. On a pu faire dans ce cas-ci aussi un test paired. Wilcoxon signed rank test with continuity correction

data: mad by age V = 7712, p-value = 0.06342 alternative hypothesis: true location shift is not equal to 0


Les graphiqueS suivant sont issus de l’indicateur de variation \(I_v = (CV_r4-CV_r1)/CV_r1)\), et représentent les mêmes données sous des formes différentes. Les lignées du graphique de droite ont été ordonnées suivant cette différence.

La normalité de la distribution de l’indicateur de variation est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmad$diff W = 0.90187, p-value = 6.231e-09


Les graphiques suivants sont semblables aux précédents, les données ‘extrêmes’ ont toutefois été enlevées afin de voir si cela améliorait la normalité de la distribution des données.

La normalité de la distribution de l’indicateur de variation (sans extrêmes) est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmad_no_outliers$diff W = 0.97324, p-value = 0.004111


Ci-dessous, on voit la correlation entre CVr4 (mad4/med4) et CVr1 (mad1/med1).

Coefficient de correlation de Spearman pour les CVrs. Spearman’s rank correlation rho

data: dfmad\(mad1 and dfmad\)mad4 S = 583200, p-value = 0.02442 alternative hypothesis: true rho is not equal to 0 sample estimates: rho 0.176929


CORRELATION Im Iv


La corrélation Im Iv affichée ci-dessous est la corrélation entre les indicateur Im et Iv pour chacune des lignées.

Coefficient de correlation de Spearman pour la correlation Iv Im. Spearman’s rank correlation rho

data: mgmedmad\(diff.median and mgmedmad\)diff.mad S = 683880, p-value = 0.6596 alternative hypothesis: true rho is not equal to 0 sample estimates: rho 0.03482975










SystolicIntervals_Mean



Ci-dessous est affiché le barplot des lignées restantes après le second filtre. Il reste 100 % des lignées de DATA_Analysis.

Les boxplots suivants sont les valeurs du phénotype étudié pour les individus de chaque lignée, ces dernières étant ordonnées selon leur médiane. Le premier graphique est pour l’âge 1, le second pour l’âge 4.

Les valeurs phénotypiques de tous les individus sont maintenant organisées en fonction des âges, sans un regard à la lignée, afin de voir si on a une tendance générale.

Un premier test de Wilcoxon est appliquée à ces données. Si la p-valeur est inférieure à 0.05, cela signifie que les deux populations (age1, age4) ont des moyennes significativement différentes et ne suivent donc pas une même distribution. Wilcoxon rank sum test with continuity correction

data: value by age W = 767830, p-value < 2.2e-16 alternative hypothesis: true location shift is not equal to 0


INDICATEUR DE MOYENNE


Ici, on ne travaille plus avec les individus mais avec les lignées. Les médianes des lignées pour les deux âges ont été calculées et mises sous forme d’un boxplot comparable avec le précédent, il nous permet de voir la tendance générale ainsi que les lignées ayant un comportement extrême, qui ont été labellisées.

Le test de Wilcoxon a maintenant été appliqué aux médianes des lignées pour l’âge 1 et l’âge. On a pu faire dans ce cas-ci un test paired. Wilcoxon signed rank test with continuity correction

data: median by age V = 313, p-value < 2.2e-16 alternative hypothesis: true location shift is not equal to 0


Les graphiques suivants sont issus des indicateurs de moyenne \(I_m = (med4-med1)/med1\), et représentent les mêmes données sous des formes différentes. Les lignées du graphique de droite ont été ordonnées suivant cette différence.

La normalité de la distribution de l’indicateur de moyenne est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmedian$diff W = 0.85114, p-value = 1.548e-11


Les graphiques suivants sont semblables aux précédents, les données ‘extrêmes’ ont toutefois été enlevées afin de voir si cela améliorait la normalité de la distribution des données.

La normalité de la distribution de l’indicateur de moyenne (sans extrêmes) est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmedian_no_outliers$diff W = 0.9908, p-value = 0.4281


Ci-dessous, on voit la correlation entre l’âge 1 et l’âge 4 pour la médiane.

Coefficient de correlation de Spearman pour la médiane. Spearman’s rank correlation rho

data: dfmedian\(median1 and dfmedian\)median4 S = 332780, p-value < 2.2e-16 alternative hypothesis: true rho is not equal to 0 sample estimates: rho 0.5303411


INDICATEUR DE VARIATION


De même que pour la médiane, on ne travaille plus avec les individus mais avec les lignées. Les mad des lignées pour les deux âges ont été calculées et mises sous forme d’un boxplot comparable avec le précédent, il nous permet de voir la tendance générale ainsi que les lignées ayant un comportement extrême, qui ont été labellisées.

Le test de Wilcoxon a maintenant été appliqué aux mads des lignées pour l’âge 1 et l’âge. On a pu faire dans ce cas-ci aussi un test paired. Wilcoxon signed rank test with continuity correction

data: mad by age V = 1757, p-value = 5.469e-16 alternative hypothesis: true location shift is not equal to 0


Les graphiqueS suivant sont issus de l’indicateur de variation \(I_v = (CV_r4-CV_r1)/CV_r1)\), et représentent les mêmes données sous des formes différentes. Les lignées du graphique de droite ont été ordonnées suivant cette différence.

La normalité de la distribution de l’indicateur de variation est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmad$diff W = 0.86272, p-value = 5.323e-11


Les graphiques suivants sont semblables aux précédents, les données ‘extrêmes’ ont toutefois été enlevées afin de voir si cela améliorait la normalité de la distribution des données.

La normalité de la distribution de l’indicateur de variation (sans extrêmes) est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmad_no_outliers$diff W = 0.95037, p-value = 2.766e-05


Ci-dessous, on voit la correlation entre CVr4 (mad4/med4) et CVr1 (mad1/med1).

Coefficient de correlation de Spearman pour les CVrs. Spearman’s rank correlation rho

data: dfmad\(mad1 and dfmad\)mad4 S = 642180, p-value = 0.2354 alternative hypothesis: true rho is not equal to 0 sample estimates: rho 0.09368424


CORRELATION Im Iv


La corrélation Im Iv affichée ci-dessous est la corrélation entre les indicateur Im et Iv pour chacune des lignées.

Coefficient de correlation de Spearman pour la correlation Iv Im. Spearman’s rank correlation rho

data: mgmedmad\(diff.median and mgmedmad\)diff.mad S = 508830, p-value = 0.0002944 alternative hypothesis: true rho is not equal to 0 sample estimates: rho 0.2818854










SystolicIntervals_Median



Ci-dessous est affiché le barplot des lignées restantes après le second filtre. Il reste 100 % des lignées de DATA_Analysis.

Les boxplots suivants sont les valeurs du phénotype étudié pour les individus de chaque lignée, ces dernières étant ordonnées selon leur médiane. Le premier graphique est pour l’âge 1, le second pour l’âge 4.

Les valeurs phénotypiques de tous les individus sont maintenant organisées en fonction des âges, sans un regard à la lignée, afin de voir si on a une tendance générale.

Un premier test de Wilcoxon est appliquée à ces données. Si la p-valeur est inférieure à 0.05, cela signifie que les deux populations (age1, age4) ont des moyennes significativement différentes et ne suivent donc pas une même distribution. Wilcoxon rank sum test with continuity correction

data: value by age W = 741920, p-value < 2.2e-16 alternative hypothesis: true location shift is not equal to 0


INDICATEUR DE MOYENNE


Ici, on ne travaille plus avec les individus mais avec les lignées. Les médianes des lignées pour les deux âges ont été calculées et mises sous forme d’un boxplot comparable avec le précédent, il nous permet de voir la tendance générale ainsi que les lignées ayant un comportement extrême, qui ont été labellisées.

Le test de Wilcoxon a maintenant été appliqué aux médianes des lignées pour l’âge 1 et l’âge. On a pu faire dans ce cas-ci un test paired. Wilcoxon signed rank test with continuity correction

data: median by age V = 390, p-value < 2.2e-16 alternative hypothesis: true location shift is not equal to 0


Les graphiques suivants sont issus des indicateurs de moyenne \(I_m = (med4-med1)/med1\), et représentent les mêmes données sous des formes différentes. Les lignées du graphique de droite ont été ordonnées suivant cette différence.

La normalité de la distribution de l’indicateur de moyenne est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmedian$diff W = 0.90359, p-value = 7.875e-09


Les graphiques suivants sont semblables aux précédents, les données ‘extrêmes’ ont toutefois été enlevées afin de voir si cela améliorait la normalité de la distribution des données.

La normalité de la distribution de l’indicateur de moyenne (sans extrêmes) est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmedian_no_outliers$diff W = 0.99531, p-value = 0.9052


Ci-dessous, on voit la correlation entre l’âge 1 et l’âge 4 pour la médiane.

Coefficient de correlation de Spearman pour la médiane. Spearman’s rank correlation rho

data: dfmedian\(median1 and dfmedian\)median4 S = 371460, p-value = 1.574e-10 alternative hypothesis: true rho is not equal to 0 sample estimates: rho 0.4757554


INDICATEUR DE VARIATION


De même que pour la médiane, on ne travaille plus avec les individus mais avec les lignées. Les mad des lignées pour les deux âges ont été calculées et mises sous forme d’un boxplot comparable avec le précédent, il nous permet de voir la tendance générale ainsi que les lignées ayant un comportement extrême, qui ont été labellisées.

Le test de Wilcoxon a maintenant été appliqué aux mads des lignées pour l’âge 1 et l’âge. On a pu faire dans ce cas-ci aussi un test paired. Wilcoxon signed rank test with continuity correction

data: mad by age V = 2369, p-value = 1.472e-12 alternative hypothesis: true location shift is not equal to 0


Les graphiqueS suivant sont issus de l’indicateur de variation \(I_v = (CV_r4-CV_r1)/CV_r1)\), et représentent les mêmes données sous des formes différentes. Les lignées du graphique de droite ont été ordonnées suivant cette différence.

La normalité de la distribution de l’indicateur de variation est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmad$diff W = 0.060213, p-value < 2.2e-16


Les graphiques suivants sont semblables aux précédents, les données ‘extrêmes’ ont toutefois été enlevées afin de voir si cela améliorait la normalité de la distribution des données.

La normalité de la distribution de l’indicateur de variation (sans extrêmes) est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmad_no_outliers$diff W = 0.95002, p-value = 2.586e-05


Ci-dessous, on voit la correlation entre CVr4 (mad4/med4) et CVr1 (mad1/med1).

Coefficient de correlation de Spearman pour les CVrs. Spearman’s rank correlation rho

data: dfmad\(mad1 and dfmad\)mad4 S = 681090, p-value = 0.6242 alternative hypothesis: true rho is not equal to 0 sample estimates: rho 0.03877298


CORRELATION Im Iv


La corrélation Im Iv affichée ci-dessous est la corrélation entre les indicateur Im et Iv pour chacune des lignées.

Coefficient de correlation de Spearman pour la correlation Iv Im. Spearman’s rank correlation rho

data: mgmedmad\(diff.median and mgmedmad\)diff.mad S = 636330, p-value = 0.1966 alternative hypothesis: true rho is not equal to 0 sample estimates: rho 0.1019348










SystolicIntervals_SI_on_Hp_Mean



Ci-dessous est affiché le barplot des lignées restantes après le second filtre. Il reste 100 % des lignées de DATA_Analysis.

Les boxplots suivants sont les valeurs du phénotype étudié pour les individus de chaque lignée, ces dernières étant ordonnées selon leur médiane. Le premier graphique est pour l’âge 1, le second pour l’âge 4.

Les valeurs phénotypiques de tous les individus sont maintenant organisées en fonction des âges, sans un regard à la lignée, afin de voir si on a une tendance générale.

Un premier test de Wilcoxon est appliquée à ces données. Si la p-valeur est inférieure à 0.05, cela signifie que les deux populations (age1, age4) ont des moyennes significativement différentes et ne suivent donc pas une même distribution. Wilcoxon rank sum test with continuity correction

data: value by age W = 1789000, p-value = 4.173e-05 alternative hypothesis: true location shift is not equal to 0


INDICATEUR DE MOYENNE


Ici, on ne travaille plus avec les individus mais avec les lignées. Les médianes des lignées pour les deux âges ont été calculées et mises sous forme d’un boxplot comparable avec le précédent, il nous permet de voir la tendance générale ainsi que les lignées ayant un comportement extrême, qui ont été labellisées.

Le test de Wilcoxon a maintenant été appliqué aux médianes des lignées pour l’âge 1 et l’âge. On a pu faire dans ce cas-ci un test paired. Wilcoxon signed rank test with continuity correction

data: median by age V = 8205, p-value = 0.007347 alternative hypothesis: true location shift is not equal to 0


Les graphiques suivants sont issus des indicateurs de moyenne \(I_m = (med4-med1)/med1\), et représentent les mêmes données sous des formes différentes. Les lignées du graphique de droite ont été ordonnées suivant cette différence.

La normalité de la distribution de l’indicateur de moyenne est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmedian$diff W = 0.9369, p-value = 1.377e-06


Les graphiques suivants sont semblables aux précédents, les données ‘extrêmes’ ont toutefois été enlevées afin de voir si cela améliorait la normalité de la distribution des données.

La normalité de la distribution de l’indicateur de moyenne (sans extrêmes) est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmedian_no_outliers$diff W = 0.98973, p-value = 0.3061


Ci-dessous, on voit la correlation entre l’âge 1 et l’âge 4 pour la médiane.

Coefficient de correlation de Spearman pour la médiane. Spearman’s rank correlation rho

data: dfmedian\(median1 and dfmedian\)median4 S = 370600, p-value = 1.987e-10 alternative hypothesis: true rho is not equal to 0 sample estimates: rho 0.4769653


INDICATEUR DE VARIATION


De même que pour la médiane, on ne travaille plus avec les individus mais avec les lignées. Les mad des lignées pour les deux âges ont été calculées et mises sous forme d’un boxplot comparable avec le précédent, il nous permet de voir la tendance générale ainsi que les lignées ayant un comportement extrême, qui ont été labellisées.

Le test de Wilcoxon a maintenant été appliqué aux mads des lignées pour l’âge 1 et l’âge. On a pu faire dans ce cas-ci aussi un test paired. Wilcoxon signed rank test with continuity correction

data: mad by age V = 7618, p-value = 0.08931 alternative hypothesis: true location shift is not equal to 0


Les graphiqueS suivant sont issus de l’indicateur de variation \(I_v = (CV_r4-CV_r1)/CV_r1)\), et représentent les mêmes données sous des formes différentes. Les lignées du graphique de droite ont été ordonnées suivant cette différence.

La normalité de la distribution de l’indicateur de variation est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmad$diff W = 0.87682, p-value = 2.636e-10


Les graphiques suivants sont semblables aux précédents, les données ‘extrêmes’ ont toutefois été enlevées afin de voir si cela améliorait la normalité de la distribution des données.

La normalité de la distribution de l’indicateur de variation (sans extrêmes) est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmad_no_outliers$diff W = 0.95879, p-value = 0.0001377


Ci-dessous, on voit la correlation entre CVr4 (mad4/med4) et CVr1 (mad1/med1).

Coefficient de correlation de Spearman pour les CVrs. Spearman’s rank correlation rho

data: dfmad\(mad1 and dfmad\)mad4 S = 643820, p-value = 0.2472 alternative hypothesis: true rho is not equal to 0 sample estimates: rho 0.09137251


CORRELATION Im Iv


La corrélation Im Iv affichée ci-dessous est la corrélation entre les indicateur Im et Iv pour chacune des lignées.

Coefficient de correlation de Spearman pour la correlation Iv Im. Spearman’s rank correlation rho

data: mgmedmad\(diff.median and mgmedmad\)diff.mad S = 856770, p-value = 0.007653 alternative hypothesis: true rho is not equal to 0 sample estimates: rho -0.2091634










SystolicIntervals_StdDev



Ci-dessous est affiché le barplot des lignées restantes après le second filtre. Il reste 100 % des lignées de DATA_Analysis.

Les boxplots suivants sont les valeurs du phénotype étudié pour les individus de chaque lignée, ces dernières étant ordonnées selon leur médiane. Le premier graphique est pour l’âge 1, le second pour l’âge 4.

Les valeurs phénotypiques de tous les individus sont maintenant organisées en fonction des âges, sans un regard à la lignée, afin de voir si on a une tendance générale.

Un premier test de Wilcoxon est appliquée à ces données. Si la p-valeur est inférieure à 0.05, cela signifie que les deux populations (age1, age4) ont des moyennes significativement différentes et ne suivent donc pas une même distribution. Wilcoxon rank sum test with continuity correction

data: value by age W = 1505600, p-value = 1.569e-06 alternative hypothesis: true location shift is not equal to 0


INDICATEUR DE MOYENNE


Ici, on ne travaille plus avec les individus mais avec les lignées. Les médianes des lignées pour les deux âges ont été calculées et mises sous forme d’un boxplot comparable avec le précédent, il nous permet de voir la tendance générale ainsi que les lignées ayant un comportement extrême, qui ont été labellisées.

Le test de Wilcoxon a maintenant été appliqué aux médianes des lignées pour l’âge 1 et l’âge. On a pu faire dans ce cas-ci un test paired. Wilcoxon signed rank test with continuity correction

data: median by age V = 4424, p-value = 0.000272 alternative hypothesis: true location shift is not equal to 0


Les graphiques suivants sont issus des indicateurs de moyenne \(I_m = (med4-med1)/med1\), et représentent les mêmes données sous des formes différentes. Les lignées du graphique de droite ont été ordonnées suivant cette différence.

La normalité de la distribution de l’indicateur de moyenne est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmedian$diff W = 0.53819, p-value < 2.2e-16


Les graphiques suivants sont semblables aux précédents, les données ‘extrêmes’ ont toutefois été enlevées afin de voir si cela améliorait la normalité de la distribution des données.

La normalité de la distribution de l’indicateur de moyenne (sans extrêmes) est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmedian_no_outliers$diff W = 0.80977, p-value = 3.791e-12


Ci-dessous, on voit la correlation entre l’âge 1 et l’âge 4 pour la médiane.

Coefficient de correlation de Spearman pour la médiane. Spearman’s rank correlation rho

data: dfmedian\(median1 and dfmedian\)median4 S = 521430, p-value = 0.0007115 alternative hypothesis: true rho is not equal to 0 sample estimates: rho 0.2641029


INDICATEUR DE VARIATION


De même que pour la médiane, on ne travaille plus avec les individus mais avec les lignées. Les mad des lignées pour les deux âges ont été calculées et mises sous forme d’un boxplot comparable avec le précédent, il nous permet de voir la tendance générale ainsi que les lignées ayant un comportement extrême, qui ont été labellisées.

Le test de Wilcoxon a maintenant été appliqué aux mads des lignées pour l’âge 1 et l’âge. On a pu faire dans ce cas-ci aussi un test paired. Wilcoxon signed rank test with continuity correction

data: mad by age V = 3934, p-value = 8.196e-06 alternative hypothesis: true location shift is not equal to 0


Les graphiqueS suivant sont issus de l’indicateur de variation \(I_v = (CV_r4-CV_r1)/CV_r1)\), et représentent les mêmes données sous des formes différentes. Les lignées du graphique de droite ont été ordonnées suivant cette différence.

La normalité de la distribution de l’indicateur de variation est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmad$diff W = 0.83627, p-value = 3.479e-12


Les graphiques suivants sont semblables aux précédents, les données ‘extrêmes’ ont toutefois été enlevées afin de voir si cela améliorait la normalité de la distribution des données.

La normalité de la distribution de l’indicateur de variation (sans extrêmes) est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmad_no_outliers$diff W = 0.95051, p-value = 2.677e-05


Ci-dessous, on voit la correlation entre CVr4 (mad4/med4) et CVr1 (mad1/med1).

Coefficient de correlation de Spearman pour les CVrs. Spearman’s rank correlation rho

data: dfmad\(mad1 and dfmad\)mad4 S = 557000, p-value = 0.006362 alternative hypothesis: true rho is not equal to 0 sample estimates: rho 0.2139025


CORRELATION Im Iv


La corrélation Im Iv affichée ci-dessous est la corrélation entre les indicateur Im et Iv pour chacune des lignées.

Coefficient de correlation de Spearman pour la correlation Iv Im. Spearman’s rank correlation rho

data: mgmedmad\(diff.median and mgmedmad\)diff.mad S = 321890, p-value < 2.2e-16 alternative hypothesis: true rho is not equal to 0 sample estimates: rho 0.5457102










SystolicIntervals_StdDevOnMedian



Ci-dessous est affiché le barplot des lignées restantes après le second filtre. Il reste 100 % des lignées de DATA_Analysis.

Les boxplots suivants sont les valeurs du phénotype étudié pour les individus de chaque lignée, ces dernières étant ordonnées selon leur médiane. Le premier graphique est pour l’âge 1, le second pour l’âge 4.

Les valeurs phénotypiques de tous les individus sont maintenant organisées en fonction des âges, sans un regard à la lignée, afin de voir si on a une tendance générale.

Un premier test de Wilcoxon est appliquée à ces données. Si la p-valeur est inférieure à 0.05, cela signifie que les deux populations (age1, age4) ont des moyennes significativement différentes et ne suivent donc pas une même distribution. Wilcoxon rank sum test with continuity correction

data: value by age W = 1668800, p-value = 0.7337 alternative hypothesis: true location shift is not equal to 0


INDICATEUR DE MOYENNE


Ici, on ne travaille plus avec les individus mais avec les lignées. Les médianes des lignées pour les deux âges ont été calculées et mises sous forme d’un boxplot comparable avec le précédent, il nous permet de voir la tendance générale ainsi que les lignées ayant un comportement extrême, qui ont été labellisées.

Le test de Wilcoxon a maintenant été appliqué aux médianes des lignées pour l’âge 1 et l’âge. On a pu faire dans ce cas-ci un test paired. Wilcoxon signed rank test with continuity correction

data: median by age V = 5692, p-value = 0.1285 alternative hypothesis: true location shift is not equal to 0


Les graphiques suivants sont issus des indicateurs de moyenne \(I_m = (med4-med1)/med1\), et représentent les mêmes données sous des formes différentes. Les lignées du graphique de droite ont été ordonnées suivant cette différence.

La normalité de la distribution de l’indicateur de moyenne est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmedian$diff W = 0.62322, p-value < 2.2e-16


Les graphiques suivants sont semblables aux précédents, les données ‘extrêmes’ ont toutefois été enlevées afin de voir si cela améliorait la normalité de la distribution des données.

La normalité de la distribution de l’indicateur de moyenne (sans extrêmes) est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmedian_no_outliers$diff W = 0.82598, p-value = 8.734e-12


Ci-dessous, on voit la correlation entre l’âge 1 et l’âge 4 pour la médiane.

Coefficient de correlation de Spearman pour la médiane. Spearman’s rank correlation rho

data: dfmedian\(median1 and dfmedian\)median4 S = 563300, p-value = 0.008973 alternative hypothesis: true rho is not equal to 0 sample estimates: rho 0.2050056


INDICATEUR DE VARIATION


De même que pour la médiane, on ne travaille plus avec les individus mais avec les lignées. Les mad des lignées pour les deux âges ont été calculées et mises sous forme d’un boxplot comparable avec le précédent, il nous permet de voir la tendance générale ainsi que les lignées ayant un comportement extrême, qui ont été labellisées.

Le test de Wilcoxon a maintenant été appliqué aux mads des lignées pour l’âge 1 et l’âge. On a pu faire dans ce cas-ci aussi un test paired. Wilcoxon signed rank test with continuity correction

data: mad by age V = 4565, p-value = 0.0006621 alternative hypothesis: true location shift is not equal to 0


Les graphiqueS suivant sont issus de l’indicateur de variation \(I_v = (CV_r4-CV_r1)/CV_r1)\), et représentent les mêmes données sous des formes différentes. Les lignées du graphique de droite ont été ordonnées suivant cette différence.

La normalité de la distribution de l’indicateur de variation est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmad$diff W = 0.8292, p-value = 1.765e-12


Les graphiques suivants sont semblables aux précédents, les données ‘extrêmes’ ont toutefois été enlevées afin de voir si cela améliorait la normalité de la distribution des données.

La normalité de la distribution de l’indicateur de variation (sans extrêmes) est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmad_no_outliers$diff W = 0.95625, p-value = 9.002e-05


Ci-dessous, on voit la correlation entre CVr4 (mad4/med4) et CVr1 (mad1/med1).

Coefficient de correlation de Spearman pour les CVrs. Spearman’s rank correlation rho

data: dfmad\(mad1 and dfmad\)mad4 S = 570010, p-value = 0.01275 alternative hypothesis: true rho is not equal to 0 sample estimates: rho 0.1955414


CORRELATION Im Iv


La corrélation Im Iv affichée ci-dessous est la corrélation entre les indicateur Im et Iv pour chacune des lignées.

Coefficient de correlation de Spearman pour la correlation Iv Im. Spearman’s rank correlation rho

data: mgmedmad\(diff.median and mgmedmad\)diff.mad S = 324350, p-value < 2.2e-16 alternative hypothesis: true rho is not equal to 0 sample estimates: rho 0.5422384










SystolicMeanDiameter



Ci-dessous est affiché le barplot des lignées restantes après le second filtre. Il reste 84.5679 % des lignées de DATA_Analysis.

Les boxplots suivants sont les valeurs du phénotype étudié pour les individus de chaque lignée, ces dernières étant ordonnées selon leur médiane. Le premier graphique est pour l’âge 1, le second pour l’âge 4.

Les valeurs phénotypiques de tous les individus sont maintenant organisées en fonction des âges, sans un regard à la lignée, afin de voir si on a une tendance générale.

Un premier test de Wilcoxon est appliquée à ces données. Si la p-valeur est inférieure à 0.05, cela signifie que les deux populations (age1, age4) ont des moyennes significativement différentes et ne suivent donc pas une même distribution. Wilcoxon rank sum test with continuity correction

data: value by age W = 1215400, p-value = 2.254e-07 alternative hypothesis: true location shift is not equal to 0


INDICATEUR DE MOYENNE


Ici, on ne travaille plus avec les individus mais avec les lignées. Les médianes des lignées pour les deux âges ont été calculées et mises sous forme d’un boxplot comparable avec le précédent, il nous permet de voir la tendance générale ainsi que les lignées ayant un comportement extrême, qui ont été labellisées.

Le test de Wilcoxon a maintenant été appliqué aux médianes des lignées pour l’âge 1 et l’âge. On a pu faire dans ce cas-ci un test paired. Wilcoxon signed rank test with continuity correction

data: median by age V = 6456, p-value = 0.0002034 alternative hypothesis: true location shift is not equal to 0


Les graphiques suivants sont issus des indicateurs de moyenne \(I_m = (med4-med1)/med1\), et représentent les mêmes données sous des formes différentes. Les lignées du graphique de droite ont été ordonnées suivant cette différence.

La normalité de la distribution de l’indicateur de moyenne est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmedian$diff W = 0.98611, p-value = 0.182


Les graphiques suivants sont semblables aux précédents, les données ‘extrêmes’ ont toutefois été enlevées afin de voir si cela améliorait la normalité de la distribution des données.

La normalité de la distribution de l’indicateur de moyenne (sans extrêmes) est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmedian_no_outliers$diff W = 0.9903, p-value = 0.4895


Ci-dessous, on voit la correlation entre l’âge 1 et l’âge 4 pour la médiane.

Coefficient de correlation de Spearman pour la médiane. Spearman’s rank correlation rho

data: dfmedian\(median1 and dfmedian\)median4 S = 151430, p-value < 2.2e-16 alternative hypothesis: true rho is not equal to 0 sample estimates: rho 0.646635


INDICATEUR DE VARIATION


De même que pour la médiane, on ne travaille plus avec les individus mais avec les lignées. Les mad des lignées pour les deux âges ont été calculées et mises sous forme d’un boxplot comparable avec le précédent, il nous permet de voir la tendance générale ainsi que les lignées ayant un comportement extrême, qui ont été labellisées.

Le test de Wilcoxon a maintenant été appliqué aux mads des lignées pour l’âge 1 et l’âge. On a pu faire dans ce cas-ci aussi un test paired. Wilcoxon signed rank test with continuity correction

data: mad by age V = 5599, p-value = 0.061 alternative hypothesis: true location shift is not equal to 0


Les graphiqueS suivant sont issus de l’indicateur de variation \(I_v = (CV_r4-CV_r1)/CV_r1)\), et représentent les mêmes données sous des formes différentes. Les lignées du graphique de droite ont été ordonnées suivant cette différence.

La normalité de la distribution de l’indicateur de variation est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmad$diff W = 0.75415, p-value = 7.242e-14


Les graphiques suivants sont semblables aux précédents, les données ‘extrêmes’ ont toutefois été enlevées afin de voir si cela améliorait la normalité de la distribution des données.

La normalité de la distribution de l’indicateur de variation (sans extrêmes) est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmad_no_outliers$diff W = 0.93766, p-value = 1.335e-05


Ci-dessous, on voit la correlation entre CVr4 (mad4/med4) et CVr1 (mad1/med1).

Coefficient de correlation de Spearman pour les CVrs. Spearman’s rank correlation rho

data: dfmad\(mad1 and dfmad\)mad4 S = 417170, p-value = 0.7583 alternative hypothesis: true rho is not equal to 0 sample estimates: rho 0.02652989


CORRELATION Im Iv


La corrélation Im Iv affichée ci-dessous est la corrélation entre les indicateur Im et Iv pour chacune des lignées.

Coefficient de correlation de Spearman pour la correlation Iv Im. Spearman’s rank correlation rho

data: mgmedmad\(diff.median and mgmedmad\)diff.mad S = 439890, p-value = 0.7584 alternative hypothesis: true rho is not equal to 0 sample estimates: rho -0.02648552










Total_DI_Time



Ci-dessous est affiché le barplot des lignées restantes après le second filtre. Il reste 100 % des lignées de DATA_Analysis.

Les boxplots suivants sont les valeurs du phénotype étudié pour les individus de chaque lignée, ces dernières étant ordonnées selon leur médiane. Le premier graphique est pour l’âge 1, le second pour l’âge 4.

Les valeurs phénotypiques de tous les individus sont maintenant organisées en fonction des âges, sans un regard à la lignée, afin de voir si on a une tendance générale.

Un premier test de Wilcoxon est appliquée à ces données. Si la p-valeur est inférieure à 0.05, cela signifie que les deux populations (age1, age4) ont des moyennes significativement différentes et ne suivent donc pas une même distribution. Wilcoxon rank sum test with continuity correction

data: value by age W = 1583300, p-value = 0.0173 alternative hypothesis: true location shift is not equal to 0


INDICATEUR DE MOYENNE


Ici, on ne travaille plus avec les individus mais avec les lignées. Les médianes des lignées pour les deux âges ont été calculées et mises sous forme d’un boxplot comparable avec le précédent, il nous permet de voir la tendance générale ainsi que les lignées ayant un comportement extrême, qui ont été labellisées.

Le test de Wilcoxon a maintenant été appliqué aux médianes des lignées pour l’âge 1 et l’âge. On a pu faire dans ce cas-ci un test paired. Wilcoxon signed rank test with continuity correction

data: median by age V = 5762, p-value = 0.1606 alternative hypothesis: true location shift is not equal to 0


Les graphiques suivants sont issus des indicateurs de moyenne \(I_m = (med4-med1)/med1\), et représentent les mêmes données sous des formes différentes. Les lignées du graphique de droite ont été ordonnées suivant cette différence.

La normalité de la distribution de l’indicateur de moyenne est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmedian$diff W = 0.96496, p-value = 0.0004047


Les graphiques suivants sont semblables aux précédents, les données ‘extrêmes’ ont toutefois été enlevées afin de voir si cela améliorait la normalité de la distribution des données.

La normalité de la distribution de l’indicateur de moyenne (sans extrêmes) est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmedian_no_outliers$diff W = 0.98607, p-value = 0.1151


Ci-dessous, on voit la correlation entre l’âge 1 et l’âge 4 pour la médiane.

Coefficient de correlation de Spearman pour la médiane. Spearman’s rank correlation rho

data: dfmedian\(median1 and dfmedian\)median4 S = 414580, p-value = 5.432e-08 alternative hypothesis: true rho is not equal to 0 sample estimates: rho 0.4148958


INDICATEUR DE VARIATION


De même que pour la médiane, on ne travaille plus avec les individus mais avec les lignées. Les mad des lignées pour les deux âges ont été calculées et mises sous forme d’un boxplot comparable avec le précédent, il nous permet de voir la tendance générale ainsi que les lignées ayant un comportement extrême, qui ont été labellisées.

Le test de Wilcoxon a maintenant été appliqué aux mads des lignées pour l’âge 1 et l’âge. On a pu faire dans ce cas-ci aussi un test paired. Wilcoxon signed rank test with continuity correction

data: mad by age V = 7075, p-value = 0.4289 alternative hypothesis: true location shift is not equal to 0


Les graphiqueS suivant sont issus de l’indicateur de variation \(I_v = (CV_r4-CV_r1)/CV_r1)\), et représentent les mêmes données sous des formes différentes. Les lignées du graphique de droite ont été ordonnées suivant cette différence.

La normalité de la distribution de l’indicateur de variation est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmad$diff W = 0.74651, p-value = 2.023e-15


Les graphiques suivants sont semblables aux précédents, les données ‘extrêmes’ ont toutefois été enlevées afin de voir si cela améliorait la normalité de la distribution des données.

La normalité de la distribution de l’indicateur de variation (sans extrêmes) est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmad_no_outliers$diff W = 0.92018, p-value = 1.87e-07


Ci-dessous, on voit la correlation entre CVr4 (mad4/med4) et CVr1 (mad1/med1).

Coefficient de correlation de Spearman pour les CVrs. Spearman’s rank correlation rho

data: dfmad\(mad1 and dfmad\)mad4 S = 767100, p-value = 0.2956 alternative hypothesis: true rho is not equal to 0 sample estimates: rho -0.08261109


CORRELATION Im Iv


La corrélation Im Iv affichée ci-dessous est la corrélation entre les indicateur Im et Iv pour chacune des lignées.

Coefficient de correlation de Spearman pour la correlation Iv Im. Spearman’s rank correlation rho

data: mgmedmad\(diff.median and mgmedmad\)diff.mad S = 1018900, p-value = 8.055e-09 alternative hypothesis: true rho is not equal to 0 sample estimates: rho -0.4380018










Total_SI_Time



Ci-dessous est affiché le barplot des lignées restantes après le second filtre. Il reste 100 % des lignées de DATA_Analysis.

Les boxplots suivants sont les valeurs du phénotype étudié pour les individus de chaque lignée, ces dernières étant ordonnées selon leur médiane. Le premier graphique est pour l’âge 1, le second pour l’âge 4.

Les valeurs phénotypiques de tous les individus sont maintenant organisées en fonction des âges, sans un regard à la lignée, afin de voir si on a une tendance générale.

Un premier test de Wilcoxon est appliquée à ces données. Si la p-valeur est inférieure à 0.05, cela signifie que les deux populations (age1, age4) ont des moyennes significativement différentes et ne suivent donc pas une même distribution. Wilcoxon rank sum test with continuity correction

data: value by age W = 1796800, p-value = 1.392e-05 alternative hypothesis: true location shift is not equal to 0


INDICATEUR DE MOYENNE


Ici, on ne travaille plus avec les individus mais avec les lignées. Les médianes des lignées pour les deux âges ont été calculées et mises sous forme d’un boxplot comparable avec le précédent, il nous permet de voir la tendance générale ainsi que les lignées ayant un comportement extrême, qui ont été labellisées.

Le test de Wilcoxon a maintenant été appliqué aux médianes des lignées pour l’âge 1 et l’âge. On a pu faire dans ce cas-ci un test paired. Wilcoxon signed rank test with continuity correction

data: median by age V = 8472, p-value = 0.001765 alternative hypothesis: true location shift is not equal to 0


Les graphiques suivants sont issus des indicateurs de moyenne \(I_m = (med4-med1)/med1\), et représentent les mêmes données sous des formes différentes. Les lignées du graphique de droite ont été ordonnées suivant cette différence.

La normalité de la distribution de l’indicateur de moyenne est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmedian$diff W = 0.9029, p-value = 7.172e-09


Les graphiques suivants sont semblables aux précédents, les données ‘extrêmes’ ont toutefois été enlevées afin de voir si cela améliorait la normalité de la distribution des données.

La normalité de la distribution de l’indicateur de moyenne (sans extrêmes) est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmedian_no_outliers$diff W = 0.99001, p-value = 0.3382


Ci-dessous, on voit la correlation entre l’âge 1 et l’âge 4 pour la médiane.

Coefficient de correlation de Spearman pour la médiane. Spearman’s rank correlation rho

data: dfmedian\(median1 and dfmedian\)median4 S = 358920, p-value = 2.388e-11 alternative hypothesis: true rho is not equal to 0 sample estimates: rho 0.4934522


INDICATEUR DE VARIATION


De même que pour la médiane, on ne travaille plus avec les individus mais avec les lignées. Les mad des lignées pour les deux âges ont été calculées et mises sous forme d’un boxplot comparable avec le précédent, il nous permet de voir la tendance générale ainsi que les lignées ayant un comportement extrême, qui ont été labellisées.

Le test de Wilcoxon a maintenant été appliqué aux mads des lignées pour l’âge 1 et l’âge. On a pu faire dans ce cas-ci aussi un test paired. Wilcoxon signed rank test with continuity correction

data: mad by age V = 8094, p-value = 0.01259 alternative hypothesis: true location shift is not equal to 0


Les graphiqueS suivant sont issus de l’indicateur de variation \(I_v = (CV_r4-CV_r1)/CV_r1)\), et représentent les mêmes données sous des formes différentes. Les lignées du graphique de droite ont été ordonnées suivant cette différence.

La normalité de la distribution de l’indicateur de variation est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmad$diff W = 0.87793, p-value = 3.005e-10


Les graphiques suivants sont semblables aux précédents, les données ‘extrêmes’ ont toutefois été enlevées afin de voir si cela améliorait la normalité de la distribution des données.

La normalité de la distribution de l’indicateur de variation (sans extrêmes) est évaluée grâce à un shapiro test. Si la p-value obtenue est inférieure à 0.05, on considère que l’échantillon a une distribution non gaussienne.
Shapiro-Wilk normality test

data: dfmad_no_outliers$diff W = 0.95751, p-value = 0.000117


Ci-dessous, on voit la correlation entre CVr4 (mad4/med4) et CVr1 (mad1/med1).

Coefficient de correlation de Spearman pour les CVrs. Spearman’s rank correlation rho

data: dfmad\(mad1 and dfmad\)mad4 S = 598120, p-value = 0.04772 alternative hypothesis: true rho is not equal to 0 sample estimates: rho 0.1558638


CORRELATION Im Iv


La corrélation Im Iv affichée ci-dessous est la corrélation entre les indicateur Im et Iv pour chacune des lignées.

Coefficient de correlation de Spearman pour la correlation Iv Im. Spearman’s rank correlation rho

data: mgmedmad\(diff.median and mgmedmad\)diff.mad S = 892230, p-value = 0.0008977 alternative hypothesis: true rho is not equal to 0 sample estimates: rho -0.2592169










Summary


Percent of remaining strains


Percentage of remaining strains : Under 80%, phenotypes have not been studied
phenotypes valid_strain
DI_on_Hp_Mean 100.00
DiastolicIntervals_Mean 100.00
DiastolicIntervals_Median 100.00
DiastolicIntervals_StdDev 100.00
DiastolicIntervals_StdDevOnMedian 100.00
DiastolicMeanDiameter 84.57
FractionalShortening 84.57
Heartperiod_Mean 100.00
Heartperiod_Median 100.00
Heartperiod_StdDev 100.00
Heartperiod_StdDevOnMedian 100.00
Heartrate_Mean 100.00
Heartrate_Median 100.00
Heartrate_StdDev 100.00
Heartrate_StdDevOnMedian 100.00
NormalizedIntervals_Mean 100.00
NormalizedIntervals_Median 100.00
NormalizedIntervals_StdDev 100.00
NormalizedIntervals_StdDevOnMedian 100.00
Pcent_Long_DI 4.32
Pcent_Long_SI 0.00
SD_on_Median_Heartperiod 100.00
SI_on_DI_Mean 100.00
SystolicIntervals_Mean 100.00
SystolicIntervals_Median 100.00
SystolicIntervals_SI_on_Hp_Mean 100.00
SystolicIntervals_StdDev 100.00
SystolicIntervals_StdDevOnMedian 100.00
SystolicMeanDiameter 84.57
Total_DI 66.67
Total_DI_Time 100.00
Total_SI 66.67
Total_SI_Time 100.00

Normality of the distribution


La table suivante est un récapitulatif des distributions qui sont normales ou non, détaillées plus haut pour chaque phénotypes

Normality of distributions : normal distribution are indicated in the table
mediane_avec_extremes mediane_sans_extremes mad_avec_extremes mad_sans_extremes
DI_on_Hp_Mean Normale
DiastolicIntervals_Mean Normale
DiastolicIntervals_Median
DiastolicIntervals_StdDev Normale
DiastolicIntervals_StdDevOnMedian
DiastolicMeanDiameter Normale Normale
FractionalShortening Normale
Heartperiod_Mean Normale
Heartperiod_Median Normale
Heartperiod_StdDev
Heartperiod_StdDevOnMedian Normale
Heartrate_Mean
Heartrate_Median Normale
Heartrate_StdDev
Heartrate_StdDevOnMedian
NormalizedIntervals_Mean
NormalizedIntervals_Median
NormalizedIntervals_StdDev
NormalizedIntervals_StdDevOnMedian
SD_on_Median_Heartperiod Normale
SI_on_DI_Mean
SystolicIntervals_Mean Normale
SystolicIntervals_Median Normale
SystolicIntervals_SI_on_Hp_Mean Normale
SystolicIntervals_StdDev
SystolicIntervals_StdDevOnMedian
SystolicMeanDiameter Normale Normale
Total_DI_Time Normale
Total_SI_Time Normale

Extrem strains


La table qui suit montre les lignées qui ont des comportements extrêmes au moins deux fois dans le cas de la médiane ou de la mad, ce pour chaque âge. Ce tableau ne parle pas des différences de médiane et de mad, qui seraient tout aussi intéressantes à répertorier, mais pour le GWAS.

Les heatmap suivante montrent les données du tableau sous un autre format, si les lignées étaient considérées comme extrêmes pour le phénotype x à la médiane âge 1 par exemple, on les retrouve en couleur sur le premier graphique. Les données ont ensuite été clusterisées.

Heatmap


Les deux heatmap suivante représentent lindicateur de moyenne pour les phenotypes étudiés. Le souci est que 3 des phénotypes présentent que 84% des lignées du fichier utilisé, il y aura donc des données manquantes. Les deux graphiques correspondent à deux stratégies pour palier à ceci.
Première proposition : On enlève les lignes avec des données manquantes, on traite donc les 29 phénotypes avec 138 observations.

Deuxième proposition : Les phénotypes avec des données manquantes sont enlevés, on traite donc 26 phenotypes mais avec les 163 observations.



On fait de même avec l’indicateur de variation.
Première proposition : On enlève les lignes avec des données manquantes, on traite donc les 29 phénotypes avec 138 observations.

Deuxième proposition : Les phénotypes avec des données manquantes sont enlevés, on traite donc 26 phenotypes mais avec les 163 observations.